通过在高分辨率网络中引入动态轻量化、多尺度上下文信息提取、长距离空间依赖建模的方法，本文提出了一种动态轻量化高分辨率网络模型（Dite-HRNet），该模型在 COCO 和 MPII 人体姿态估计数据集上取得了优异的表现，超越了现有的轻量化网络模型。

Apr, 2022

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

本文介绍了一种名为 Multi-Stage HRNet 的人体姿势估计模型，并采用多阶段网络和交叉阶段特征聚合等技术优化了关键点位置，从而在 COCO 数据集上取得了 77.1 AP 得分。

Oct, 2019

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

在本研究中，提出了一种名为 BiHRNet（Binary HRNet）的二值人体姿势估计器，该估计器在适应二值神经网络（BNN）的同时保留了 HRNet 的关键点提取能力，通过提出二值网络训练过程的优化方法以及设计更适合二值化的结构，实现了更少的计算资源开销和精度下降，并在实验中取得了较好的性能。

Nov, 2023

High-Resolution Network (HRNet) is a new computer vision framework that maintains high-resolution representations through the whole process, resulting in semantically richer and spatially more precise representations, which outperforms existing state-of-the-art frameworks in human pose estimation, semantic segmentation, and object detection.

Aug, 2019

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

这篇论文提出了 HigherHRNet，一种新的从下往上的人体姿态估计方法，使用高分辨率特征金字塔学习尺度感知表示，具有多分辨率监督训练和多分辨率聚合推理的能力，能够解决下向多人姿势估计中的尺度变化挑战，从而更精确地定位关键点，尤其适用于小尺寸人体，实现了比以前最好的下向方法在 COCO test-dev 中中等人体上 2.5% AP 的提高。在 CrowdPose test 上，HigherHRNet 甚至超过了所有自上而下的方法，表明其在拥挤场景中具有鲁棒性。

Aug, 2019

通过实验证明，Lite-HRNet Plus 在人脸标志物检测领域取得了比传统方法更高的准确性，并在 10M FLOPs 的计算复杂性范围内实现了最新的准确性。

Aug, 2023

本论文对高分辨率表示学习进行进一步的研究，并通过在各种视觉任务中应用简单而有效的修改来增强高分辨率表示，实验表明，这种方法优于现有的方法，并在 Cityscapes、LIP 和 PASCAL Context 等数据集上取得了最佳结果。此外，本论文构建了一个多层表示，并将其应用于 Faster R-CNN 目标检测框架以及拓展框架，并在 COCO 目标检测上实现了超越现有单模型网络的卓越表现。

Apr, 2019