Dec, 2020

EfficientPose：神经架构搜索优化的高效人体姿态估计

PDF
TL;DR本文提出了一个高效的框架来解决人体姿势估计的问题，通过可微分神经架构搜索方法来个性化定制网络设计，并介绍了空间信息校正模块来提高最终预测的效果。实验结果表明，我们的最小模型只有 0.65 GFLOPs，在 MPII 上具有 88.1% 的 [email protected]，并且我们的大型模型只有 2 GFLOPs，而其准确性与最先进的大型模型 HRNet 相当 。
human pose estimationefficient frameworkneural architecture searchtransposed convolutionsspatial information correction
发现论文，激发创造
  • Lite Pose: 高效的 2D 人体姿势估计架构设计

    本文研究如何设计有效的单支脚神经网络用于在边缘设备上进行实时多人姿态估计，移除高分辨率分支，增强模型容量并大大减少计算成本，提高了姿态估计的效率和性能。

    May, 2022

  • 高效 HRNet: 轻量级高分辨率多人姿态估计的高效缩放

    本研究提出了 EfficientHRNet，这是一系列轻量级多人姿势估计器，能够在资源受限设备上实时执行姿势估计操作。通过将模型缩放的最新进展与高分辨率特征表示的统一，EfficientHRNet 在降低计算量的同时创建高度准确的模型，最大的模型能够在 1/3 的计算量和 1/3 的功率的情况下，实现与现有最先进水平相近的精度。

    Jul, 2020

  • ViPNAS：基于神经架构搜索的高效视频姿态估计

    我们提出了一种新颖的神经架构搜索方法 ViPNAS，用于快速在线视频姿势估计，通过在空间和时间级别上搜索网络来实现更好的准确度和效率之间的权衡。在时间级别上，我们首次搜索了视频中的时间特征融合和自动计算分配。我们的实验结果表明，我们的方法在 CPU 实时推导速度方面比先前的最先进方法快而不牺牲准确性。

    May, 2021

  • 快速人体姿势估计

    本研究提出一种新的姿势模型学习策略，即快速姿势蒸馏（Fast Pose Distillation，FPD），旨在提高人体姿势估计模型的效率和可扩展性，并通过将强教师网络的姿势结构知识有效地转移给轻型姿势神经网络体系结构来实现，并在两个标准基准数据集 MPII 和 Leeds Sports Pose 中广泛评估，证明了 FPD 方法在模型节约成本方面优于广泛的最新姿势估计方法。

    Nov, 2018

  • 卷积神经网络实现高效的物体定位

    通过深度卷积网络及位置细化模型使人体姿态的关节定位精度得到提升

    Nov, 2014

  • 简单轻量级人体姿态估计

    本文提出了一种简单、轻量级的人体姿态估计方法 LPN，它采用深度可分离卷积和注意力机制来设计轻量级的 bottleneck 模块，并基于此设计了 LPN 网络。我们的网络仅有 SimpleBaseline（ResNet50）大小的 9% 和复杂度的 11%，并提出了迭代训练和模型无关的 Beta-Soft-Argmax 后处理方法，在 COCO 关键点检测数据集上达到了较高的精度和效率

    Nov, 2019

  • 深度双连续网络用于人体姿态估计

    本文提出了一种基于多帧和时序信息的人体姿态估计方法。该方法包含三个模块：姿态时序合成器、姿态残差融合模块和姿态校正网络。在 PoseTrack2017 和 PoseTrack2018 数据集上进行的实验结果表明，该方法取得了最佳效果，并已发布代码以期促进未来的研究。

    Mar, 2021

  • DeepPose: 使用深度神经网络进行人体姿势估计

    本文提出一种基于深度神经网络的人体姿势估计方法，将姿势估计表示为一种基于 DNN 的回归问题，通过级联 DNN 回归器来提高姿势估计的精确性，并在四种不同类型的学术基准测试中取得了优异的实验结果。

    Dec, 2013

  • 深度卷积神经网络下的人体姿态估计的异构多任务学习

    本文提出了一个异构多任务学习框架，用于通过深度卷积神经网络从单 ocular 图像中实现人体姿势估计，同时学习姿势 - 关节回归器和滑动窗口身体部位检测器，并证明包含身体部位检测任务有助于正则化网络，并指导其收敛于良好解决方案，并在多个数据集上报告了竞争和最先进的结果。 还通过实验证明，我们的网络中间层中学习的神经元针对局部身体部位进行了优化。

    Jun, 2014

  • 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