Nov, 2019

Simple Pose: 重构和改进面向多人姿态估计的自底向上方法

HTML
PDF
TL;DR通过改进下联式方法，提出了一种改进的多人姿势估计方法，该方法使用更直观却更合理的表示方法，具有 attention 机制的改进型叠叠层沙漏网络，专门用于 hard keypoint 和 keypoint 关联挖掘的新型 Focal L2 Loss 和用于将检测到的关键点分组为单个姿势的强大贪婪关键点分配算法，平均精度比基准线高约 15％，与 MS-COCO 测试数据集上的最新技术相当。
发现论文，激发创造
  • DeeperCut: 一种更深、更强、更快的多人姿态估计模型

    本文旨在提高多人场景下的关节姿态估计技术。为此，我们在三个方面做出了贡献: 提出了改进的身体部位检测器、新颖的图像条件下的成对项以及一种递增优化策略。我们的方法在多人姿态估计任务中表现得更加优秀，并在单人姿态估计任务上展现出了竞争性的性能。

    May, 2016

  • 基于局部关节到人员关联的多人姿态估计

    本文提出了一种基于整数线性规划的方法来解决多人姿态估计的问题，并且在 MPII 人体多人姿态数据集上实现了与最先进方法相当的精度，但速度快了 6,000 到 19,000 倍。

    Aug, 2016

  • 大规模多人姿态估计的精度提升

    该论文提出了一种用于多人检测和二维姿势估计的方法，采用两个阶段的简单而强大的自上而下方法，结合使用 Faster RCNN 检测器、关键点基于非最大抑制（Non-Maximum-Suppression）和置信度计算，利用 COCO 数据集训练得到的该系统具有较高的平均精度和表现。

    Jan, 2017

  • MultiPoseNet：使用姿态残差网络的快速多人姿态估计

    本文介绍了一种称为MultiPoseNet的新型底层多人姿态估计架构，它结合了多任务模型和新型分配方法，可同时处理人物检测、关键点检测、人物分割和姿态估计问题，并在COCO关键点数据集上超越了所有先前的底层方法，具有更高的精度和更快的速度，在至少4倍的速度下与最佳的自上而下方法相当。

    Jul, 2018

  • DirectPose：直接端到端的多人姿势估计

    提出了第一个直接的端到端多人姿态估计框架，称为DirectPose，使用新的关键点对齐机制(KPAlign)，该机制提高了准确性，并消除了需在底部向上方法中处理的启发式分组或在自顶向下方法中进行边界框检测和RoI操作。实验证明，这一端到端模式在人体姿态估计任务中可以达到与之前强大基线相媲美或更好的表现。

    Nov, 2019

  • 通过整合自上而下和自下而上网络进行单目3D多人姿态估计

    本研究提出一种结合自上而下和自下而上方法的3D多人姿态估计方法，并利用两人姿态鉴别器和半监督方法增强鲁棒性和准确性，实验证明该方法比现有基线模型更有效。

    Apr, 2021

  • 基于单一网络、模仿与点学习的自下而上人体姿势估计(SIMPLE)

    提出了一种名为SIMPLE的多人姿势估计框架，该框架通过模仿和点学习来提高其精度，并将人体检测和姿势估计作为单一网络中统一的点学习框架来互补，与以前的研究不同的是，其在姿势估计中首次提出了不同方法类型之间的模仿策略和统一的点学习。在COCO、MPII和PoseTrack数据集上，SIMPLE的性能超越了以前的底部方法，与顶部方法相比具有可比的准确性和更快的推理速度。

    Apr, 2021

  • AdaptivePose：将人体部位作为适应点

    本文提出了一种更加紧凑和高效的多人姿态估计框架，使用自适应点集来表示人体部位并使用单阶段网络精细地回归多人姿态，在COCO测试开发数据集上实现了最佳速度-准确度平衡。

    Dec, 2021

  • 众人姿态估计：克服检测信息瓶颈和模糊性的再思考

    提出了一种新颖的基于Bottom-up和Top-down方法相结合的姿态估计模型——BUCTD，并将该方法应用于动物和人的关键点检测，与之前的现有模型在CrowdPose和OCHuman数据集上表现相比有了较大改进，并且在非拥挤数据集上的表现也较好。

    Jun, 2023

  • 群组姿势：一种简单的端到端多人姿势估计的基线

    通过简单且有效的Transformer方法，命名为Group Pose，我们研究了无人工盒监督的端到端多人姿态估计问题，取得了优于复杂解码器的性能。

    Aug, 2023