本研究提出一种新的姿势模型学习策略，即快速姿势蒸馏（Fast Pose Distillation，FPD），旨在提高人体姿势估计模型的效率和可扩展性，并通过将强教师网络的姿势结构知识有效地转移给轻型姿势神经网络体系结构来实现，并在两个标准基准数据集 MPII 和 Leeds Sports Pose 中广泛评估，证明了 FPD 方法在模型节约成本方面优于广泛的最新姿势估计方法。

Nov, 2018

提出了 Video-Pose Network (VPN) 用于识别日常活动，该模型包含两个不同的方向：一个是通过特征层面的蒸馏将 Pose 知识转移到 RGB 中，另一个是通过注意层面的蒸馏模仿姿势驱动的注意。该模型在 4 个公共数据集上表现出了高速且具有噪声姿势的鲁棒性。

May, 2021

本文提出了一种从视频中自动学习姿态特征的无监督方法，该方法利用了动作信号这一与外貌互补且可用于监督的信号，使用一个外貌卷积神经网络和一个运动卷积神经网络来表示姿态和生成动作编码，通过在 FLIC、PASCAL、UCF101 和 HMDB51 数据集上的 fine-tuning 实验证明了其在静态图像动作识别和视频动作识别方面的优越性。

Sep, 2016

本研究旨在解决在个人运动员记录中检测运动事件的问题，通过使用 2D 人体姿势序列作为中间表示，并结合领域自适应的运动员追踪，提出了两种事件检测方法，在游泳和田径领域进行了评估，从而实现了灵活的基于姿势的运动事件检测。

Apr, 2020

本研究提出了一种基于人体姿势的卷积神经网络描述子（P-CNN），该描述子通过人类身体部位的轨迹聚合运动和外观信息，可以显著提高在 JHMDB 和 MPII Cooking 数据集上进行的人体动作识别的最新表现。

Jun, 2015

人体姿势估计是计算机视觉中的一个复杂问题，本研究通过引入深度学习技术和提出的 SYD-Net 模型，在解决体育运动和舞蹈姿势分类问题上取得了显著的进展。

Aug, 2023

提出了一种分层舞蹈视频识别框架 (HDVR)，它通过估计 2D 姿势序列，跟踪舞者，并同时估计相应的 3D 姿势和 3D 到 2D 成像参数来提取舞蹈的层次结构。我们在多人跟踪和通过 LSTM 网络识别舞蹈类型方面优于现有的 3D 姿势估计方法。

Sep, 2021

该论文综述了基于深度学习的姿势分析应用，包括姿势估计、姿势跟踪和动作识别，并讨论了现有技术的优势和局限性，重点介绍了将这三个任务整合到视频序列的统一框架中的方法，并探讨了相关挑战和未来研究方向。

Oct, 2023

本文提出一种新的 Video-Pose Network（VPN）框架，其中空间嵌入和注意力网络为其两个关键组成部分。在多个数据集上的实验证明，VPN 优于现有技术在动作识别方面的性能，并能更好地利用 ADL 的细微视觉模式来提高识别能力。

Jul, 2020

提出了一种新的复杂大规模多场景视频人像分割数据集（MVPS），通过对 10,843 个样本帧进行像素级精细标注，以实现对视频帧中突出的前景人像进行分割。引入了一种 Part-Decoupling Network（PDNet）的方法，包括 Inter-frame Part-Discriminated Attention（IPDA）模块，该模块能够无监督地将人像分割为不同的部分，并针对每个不同的部分指定不同的注意力来提取部分间的关联性，从而实现更准确的人像分割。实验结果表明，该方法在同类方法中具有领先的性能。

Jul, 2023