本文介绍了一种半监督的方法，使用少量标记图像和大量未标记图像同时学习关键点热图和姿态不变的关键点表示，关键点表示的语义一致性约束加以保证，并通过特征空间将图像及其扩充副本的关键点表示紧密地联系在一起，以实现对于人类和动物身体特征点的本土化定位，并在多项基准测试中显著优于先前的方法。

Jan, 2021

介绍了 KeypointNet：第一个大规模、多样化的 3D 关键点数据集，它包含来自 16 个对象类别的 103,450 个关键点和 8,234 个 3D 模型，通过利用大量的人类注释。为了处理来自不同人员的注释之间的不一致性，通过最小化保真度损失，我们提出了一种聚合这些关键点的新方法。最终，在我们提出的数据集上对十种最先进的方法进行了基准测试。

Feb, 2020

本文介绍了一种利用跨域适配方法和人类姿态数据集提升多种动物物种姿态估计的方法。实验表明，该方法可以很好地利用先验知识，并取得令人信服的结果。

Aug, 2019

提出了 Animal3D 数据集，为哺乳动物的 3D 姿态和形状估计提供了全面的数据集，实验证明跨物种的动物 3D 形状和姿态的预测仍然是一项非常具有挑战性的任务，合成预训练是提高模型性能的一种可行策略。

Aug, 2023

该研究提出了一个名为 UniPose 的统一框架，通过视觉或文本提示实现对人体、动物、刚性和柔性物体的关键点检测，以实现细粒度视觉理解和操作。

Oct, 2023

本文提出了 AP-10K, 首个大规模哺乳动物动物姿态估计基准，提出了包括监督学习、领域迁移和域泛化在内的三个任务以及相应的姿态估计模型，通过实验结果展示了从多种不同动物物种进行学习在准确性和泛化能力方面的优越性，为未来动物姿态估计的研究开辟了新方向。

Aug, 2021

动物姿势估计和跟踪（APT）是在一系列视频帧中检测和监测动物关键点的关键任务，是理解动物行为的基础，该研究介绍了 APTv2—— 一个用于动物姿势估计和跟踪的先驱性大规模基准测试集，包含了来自 30 种不同动物物种的 2,749 个经过筛选和收集的视频剪辑，通过手工注释和严格的验证为共 84,611 个动物实例提供了高质量的关键点和跟踪注释。

Dec, 2023

该研究提出了一种通过纠正动物面部形态与人类面部形态之间的差异，使用预训练的人脸关键点检测网络和细板样条变形网络对动物面部关键点进行定位的方法，并在包含马和羊的数据集上取得了优秀的结果。

Apr, 2017

使用图像和语言模型相结合的开放词汇关键点检测方法，通过关联文本提示与相关关键点特征实现任意物种的关键点检测，以实现在零样本情况下超越当前最先进的少样本关键点检测方法，并在 OVKD 上取得了显著的性能改进。

Oct, 2023

提出了一个包含大量标注的动物面部数据集，可用于面部对齐、检测和细粒度识别等多项应用，尤其对监测动物面部行为具有重要的启示作用，有助于改善动物医疗保健并推动计算机视觉算法相关技术的进步

Sep, 2019