基于热图引导的自适应关键点排序的底层人体姿态估计

Jun, 2020

基于热图引导的自适应关键点排序的底层人体姿态估计

Bottom-Up Human Pose Estimation by Ranking Heatmap-Guided Adaptive Keypoint Estimates

Ke Sun, Zigang Geng, Depu Meng, Bin Xiao, Dong Liu...

TL;DR本文介绍了一种基于向下拼接的人体姿态估计框架，其中通过关键点检测和聚类两个阶段进行处理。在该框架下，本文提出了多种方案，包括使用关键点热图进行像素级别的关键点回归、采用像素级别空间变换网络学习适应性表示处理尺度和方向差异并提高关键点回归质量，以及使用联合形状和热值评分方案提升预测姿态的可靠性，最终获得了最先进的人体底部向上姿态估计结果。

Abstract

The typical bottom-up human pose estimation framework includes two stages, keypoint detection and grouping. Most existing works focus on developing →

human pose estimation keypoint detection grouping algorithms keypoint regression spatial transformer network

发现论文，激发创造

基于解耦关键点回归的自下而上人体姿态估计

本文提出一种名为 “解离的关键点回归” 的有效方法，采用自适应卷积通过像素级空间变换激活关键点附近的像素并相应地从中学习特征向量，该方法在人体姿态估计上体现出良好的性能。

Apr, 2021

重新思考基于热力图回归的自下而上的人体姿势估计

本研究提出了基于尺寸自适应和权重自适应的热度图回归方法用于人体姿态估计，通过适应性地调整每个关键点的标准偏差以更好地面对人体尺度以及标注的不确定性。实验证明，该方法可以显著提高底部姿态估计的准确性，使其超越现有状态下最先进的顶部方法，并在 COCO 测试 - dev2017 上获得 72.0AP 的成绩。

Dec, 2020

Simple Pose: 重构和改进面向多人姿态估计的自底向上方法

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。

Nov, 2019

多尺度监督网络用于人体姿态估计

该研究提出了基于深度卷积去卷积模型的鲁棒人体姿态估计方法，通过多尺度的上下文监督和全局回归的方式增强模型的姿态鲁棒性，并在 MPII 和 FLIC 数据集上展示了具有竞争力的性能。

Aug, 2018

用于单阶段多人姿态估计的混合模型

本研究提出了一个称为 HybridPose 的混合模型，通过最大化两种方法的优点来互相克服它们的缺点，同时引入自相关损失来注入关键点坐标和可见性之间的空间依赖性，从而在不降低姿势估计准确性的情况下展示了关键点的可见性。

May, 2023

多人姿态估计的可微分分层图分组

本文提出了一种新的人体部分聚类方法，即可学习的分层图聚类 (HGG) 方法，用于底层多人姿态估计任务，并证明该方法可以提高底层姿态估计方法的性能。

Jul, 2020

循环人体姿态估计

本文提出了一种新颖的 ConvNet 模型，可预测图像中的 2D 人体姿势，通过回归每个关键点的热度图表示，并能够学习和表示部件外观和配置上下文。模型可以从头开始和端到端训练，用于改善性能的辅助损失。该模型在两个基准数据集上进行了评估，具有与最先进技术相当的性能，但不含有图形模型阶段（或层）的复杂性。

May, 2016

使用 2D 边缘热图进行 3D 人体姿态估计

本文介绍了一种改进的三维人体姿势预测模型 MargiPose，它使用深度神经网络和增强软最大值方案，可以在保持可微性的同时，从单眼 RGB 图像中预测二维边缘热图，并在公开的三维人体姿势估计数据上实现了最新的准确性。

Jun, 2018

使用热图加权损失的轻量级人体姿态估计

本文提出了一种减轻资源负荷、加速推理速度的方法，是通过在 SimpleBaseline 的反卷积头网络中引入注意机制来利用原始、跨层次和内层次信息以提高精度，并采用称为 heatmap 加权损失的新型损失函数，生成热图上每个像素的权重，使模型更加注重关键点，实验证明我们的方法在性能和资源和推理速度之间实现了平衡，具有不错的适用性。

May, 2022

去噪和选择伪热力图用于半监督人体姿势估计

我们提出了一种新的半监督学习设计，用于人体姿势估计，通过增强双学生框架，引入去噪方案生成可靠的伪热图作为无标签数据学习的目标，并通过估计的交叉学生不确定性从伪热图中选择学习目标。我们在 COCO 基准测试上进行了多个评估设置，结果显示我们的模型在极低数据情况下优于以前最先进的半监督姿势估计器，例如，只有 0.5K 标记图像时，我们的方法能够超越最好的竞争者 7.22 mAP （绝对改进量为 + 25%），我们还证明了我们的模型可以从非标签数据中有效学习，以进一步提升其泛化和性能。

Sep, 2023