关键点社群
该研究提出了基于深度卷积去卷积模型的鲁棒人体姿态估计方法,通过多尺度的上下文监督和全局回归的方式增强模型的姿态鲁棒性,并在 MPII 和 FLIC 数据集上展示了具有竞争力的性能。
Aug, 2018
本文提出了一种从单个静态图像中估计人体姿态的新方法,其采用卷积神经网络,使每个图像位置基于密集的多目标投票来预测人体关键点位置,并计算出相应关节的联合概率,最终通过关键点投票和联合概率来确定最优的人体姿态配置,并在 MPII Human Pose 数据集上展示了较为竞争的性能。
Mar, 2016
该论文提出了一种基于最新的人体检测和视频理解技术的轻量化人体关键点估计和跟踪方法,在帧级别和短视频片段中进行关键点估计,并进行轻量级跟踪,领先于多项竞争者,成为 2017 年 ICCV PoseTrack 的关键点跟踪挑战的最佳表现。
Dec, 2017
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
该论文提出了一种用于多人检测和二维姿势估计的方法,采用两个阶段的简单而强大的自上而下方法,结合使用 Faster RCNN 检测器、关键点基于非最大抑制(Non-Maximum-Suppression)和置信度计算,利用 COCO 数据集训练得到的该系统具有较高的平均精度和表现。
Jan, 2017
通过训练图网络选择一组分散但具有相似分布投票的关键点,从而提高姿势估计的准确性和效率。通过回归网络学习关键点算法,所学习的投票可以与之前的启发式算法相比更准确地回归关键点位置。实验结果表明,KeyGNet 选择的关键点在所有七个数据集上的所有评估指标都提高了准确性,特别是在具有挑战性的 Occlusion LINEMOD 数据集上。当使用 KeyGNet 的关键点进行单物体到多物体的训练时,性能明显提高,从而消除了 SISO-MIMO 差距。
Aug, 2023
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
提出了一种基于 KeyTrack 的多人姿势跟踪方法,使用 Pose Entailment 方法跟踪人体关键点,使用 Transformer-based 网络分类判断姿势是否在时间上紧随另一个姿势,同时还使用一种无需参数的关键点精细化技术改进估计方法,在 PoseTrack'17 和 PoseTrack'18 基准测试中取得了最先进的结果。
Dec, 2019