CVPRApr, 2021

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

PDF
TL;DR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。
monocular video3d multi-person pose estimationtop-down and bottom-up approachestwo-person pose discriminatorsemi-supervised method
发现论文，激发创造
  • 单目三维多人姿态估计的相互适应推理

    本论文提出了一种新的统一模型，通过结构化 2.5D 姿势估计和端到端几何感知深度推理方法相结合，解决了估计单目多人 3D 姿势以摄像机为中心坐标的问题，相比于现有的自顶向下和自底向上方法，我们的模型在准确性和速度方面都表现出色。

    Jul, 2022

  • 双路径网络用于多人姿态估计

    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

  • 结合检测与跟踪进行视频中人体姿态估计

    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

  • 人体姿态识别与跟踪的自顶向下方法

    使用自顶向下的方法，建立了一个由三个模块组成的强基准系统，分别为人体候选检测器、单人姿态估计器和人体姿态跟踪器。该方法使用了先进的通用物体检测器来检测人体候选者，并使用级联金字塔网络来估计相应的人体姿态，最后使用基于光流的姿态跟踪器进行多目标姿态跟踪。经过大量实验验证了各种模型和配置，该方法成功参加了两个 ECCV18 PoseTrack 挑战：姿态估计和姿态跟踪。

    Jan, 2019

  • 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

  • 人体姿态估计中自上而下方法的综述

    本篇论文对基于深度学习的二维图像人体姿态识别的最新方法进行了广泛的综述和比较，重点关注自 2016 年以来的自顶向下方法，此外，还讨论了数学基础、挑战与局限性、基准数据集和评价指标。

    Feb, 2022

  • 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

  • 无监督跨模态对齐用于多人三维姿态估计

    通过使用新颖的神经表示，我们提出了一种部署友好的、快速的自下而上的多人三维人体姿态估计框架；进一步，我们基于跨模态的对齐问题，提出了一种实用的部署范式，使得我们的模型不仅能够处理现实世界的图像，而且在速度与性能之间实现了更好的平衡。

    Aug, 2020

  • 借助置信度网络优化多人姿态跟踪

    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

  • 3D 人体姿势估计竞赛级联金字塔网络

    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