本文提出了一种特别设计用于多人姿势估计的双路网络，着重于回归关键点和连肢矢量，与现有的 openpose 网络在模型大小、前向速度和估计精度方面进行了比较。

Oct, 2017

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

本研究开发了一种新型关键点置信网络和跟踪流程，以改善自上而下方法中的人体检测和姿势估计，实验结果显示我们的方法在人体检测和姿势估计方面具有普适性，并在 PoseTrack 2017 和 2018 数据集上取得最先进的性能。

Oct, 2023

借助多尺度空间特征和多步幅时间卷积网络，在设计 A 的基础上，B 通过在训练过程中模拟各种遮挡情况来提高露出度鲁棒性，并利用 2D 视频数据注入半监督学习能力。实验证实了该方法的有效性，并且消融研究表明我们网络的单个子模块的优势。

Apr, 2020

本篇论文提出了一种新的自上而下的方法来解决多人姿态估计和视频跟踪问题，该方法利用影片中已知的人位置向前向后传递并在这些区域搜索姿势，通过此技术，不局限于个人检测器的性能并且可以预测未被检测到的人的姿势。这种方法包括三个组件：（i）在小视频片段上同时执行身体关节检测和跟踪的 Clip Tracking Network；（ii）将 Clip Tracking Network 产生的固定长度轨迹片段合并为任意长度轨迹的 Video Tracking Pipeline；（iii）基于空间和时间平滑项来细化关节位置的空间 - 时间合并过程的 Spatial-Temporal Merging。由于我们的剪辑跟踪网络和合并过程的精度非常高，我们的方法可以在困难的场景（例如严重纠缠的人）中产生非常准确的关节预测，并在关节检测和跟踪方面实现了最先进的结果，对于 PoseTrack 2017 和 2018 数据集，并且超过了所有自上而下和自下而上的方法。

Mar, 2020

本文提出了一种基于 LSTM 网络，使用时间信息提高 2D 关节点坐标序列估算 3D 姿势的鲁棒性和一致性，实验在 Human3.6M 上提高了 12.2% 的精度。

Nov, 2017

为了解决多人姿势关联问题，提出了一种双源注意力变换器，它包括姿势条件重识别网络、基于时间姿势相似性的边嵌入和基于注意力的匹配层，能够有效应对运动模糊、拥挤场景和遮挡等问题。

Jun, 2023

本文介绍了一种姿势细化网络，它可以在现有神经网络的基础上直接预测细化的姿态。通过使用新颖的数据增强方案进行训练，我们的方法在四个大型姿势估计基准测试中得到了系统的改进。

Apr, 2018

该研究提出了一种基于 2D 姿势估计和残差块的 2-3 阶段框架，并在 ECCV2018 PoseTrack Challenge 的验证数据集上取得了有希望的结果。

Oct, 2018

通过使用空时图形来表示变形的人体，并引入一个细化网络，该网络在此图形上执行图形卷积以输出 3D 姿势，以确保对遮挡鲁棒性，通过使用一组二进制掩码训练此网络，并模拟某些关节在一段时间内可隐藏，并训练网络对此免疫，证明了该方法相对于从单摄像机序列推断姿势的最先进技术的有效性。

Feb, 2024