Jul, 2021

SimCC：一种基于简单坐标分类的人体姿态估计

PDF
TL;DR本文提出了一种基于 SimCC 的 Human Pose Estimation 方法，通过将像素划分为多个 bin，实现了 sub-pixel 级别的定位精度和较低的量化误差，从而达到了更加简单和有效的流程，并在多个数据集上的实验证明了其更好的性能。
human pose estimation2d heatmap-based approachesquantization errorsimccsub-pixel localization precision
发现论文，激发创造
  • 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

  • 人体姿势估计的校准

    该研究论文介绍了解决姿势估计中的误校准问题的方法，通过理论分析和网络调整实现了准确度的显著提升，并提出了一种轻量级后期增益算法（CCNet），可进一步改善准确度。

    Nov, 2023

  • 人体姿态估计轻量级超分辨率头

    基于热图的方法已经成为姿势估计的主流方法，但由于通过降低重要热图的大小而带来量化误差的原因，这些方法受到了一定的限制，而且中间监督也起到了有害效果。为了解决以上问题，该论文提出了 SRPose 方法，通过将骨干网络视为降级过程并重新构建热图预测作为超分辨率任务，从而有效降低了量化误差和进一步后处理的依赖。实验结果显示 SRPose 在 COCO、MPII 和 CrowdPose 数据集上的性能优于其他基于热图的方法。

    Jul, 2023

  • 高效的超列关联语义匹配

    利用多尺度相关图的潜力，提出了一种高效的语义匹配方法 HCCNet，通过特征分割和点卷积等操作，实现了在语义匹配上具有先进水平或有竞争力的性能，同时降低了延迟和计算开销。

    Nov, 2023

  • 基于热图引导的自适应关键点排序的底层人体姿态估计

    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。

    Jun, 2020

  • 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

  • Graph-PCNN: 基于图像姿态修正的两阶段人体姿态估计

    本研究提出了一种基于图形回归的人体姿态估计框架，其中包含定位子网和图形姿势细化模块，通过不同的视觉特征提取以及探讨关键点之间的关系，显著提高了精度。在 COCO 数据集上，该模型达到了 76.8％的平均精度，达到了当前最新水平。

    Jul, 2020

  • 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

  • UniHPE：通过对比学习实现统一的人体姿势估计

    本文提出了 UniHPE，它是一个统一的人体姿势估计流程，通过同一流程中对所有三种模态进行特征对齐，即 2D 人体姿势估计、基于 lifting 和基于图像的 3D 人体姿势估计。我们提出了一种新的基于奇异值的对比学习损失函数来同时对齐多个模态，从而提高性能。评估结果显示 UniHPE 在 Human3.6M 数据集上的 MPJPE 为 50.5mm，3DPW 数据集上的 PAMPJPE 为 51.6mm，显示出巨大的潜力来推动计算机视觉领域并贡献于各种应用。

    Nov, 2023

  • 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