Apr, 2022

YOLO-Pose: 使用物体关键点相似性损失增强 YOLO 进行多人姿态估计

PDF
TL;DR提出了 YOLO-pose 模型，它是一种不需要热力图的多人关键点检测和 2D 姿势估计方法。与现有的基于热力图的两阶段方法相比，该模型可以进行端到端的训练，并优化 Object Keypoint Similarity 指标。该模型在 COCO 测试集上取得了 90.3% 的 AP50 成果，不需要翻转测试、多尺度测试或任何其他测试时间增强。
yolo-posemulti-person pose estimationobject keypoint similarityend-to-end trainablestate-of-the-art results
发现论文，激发创造
  • 大规模多人姿态估计的精度提升

    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

  • YOLOPose V2：基于 Transformer 的 6D 姿态估计的理解与改进

    基于 Transformer 的 YOLOPose 模型通过关键点回归和改进的方式实现多目标 6D 姿态估计，适用于实时应用，并达到与最先进方法相媲美的效果。

    Jul, 2023

  • RTMO: 高性能一阶段实时多人姿势估计

    RTMO 是一个一阶姿势估计框架，通过在 YOLO 架构中使用双 1-D 热图来表示关键点，实现了与自顶向下方法相当的准确性，同时保持了较高的速度。它采用了动态坐标分类器和定制的损失函数来解决坐标分类和密集预测模型之间的不兼容性。RTMO 在 COCO val2017 上达到了 74.8% 的平均精度（AP），在单个 V100 GPU 上实现了 141 FPS 的高效和准确性。

    Dec, 2023

  • Simple Pose: 重构和改进面向多人姿态估计的自底向上方法

    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

  • DirectPose：直接端到端的多人姿势估计

    提出了第一个直接的端到端多人姿态估计框架，称为 DirectPose，使用新的关键点对齐机制 (KPAlign)，该机制提高了准确性，并消除了需在底部向上方法中处理的启发式分组或在自顶向下方法中进行边界框检测和 RoI 操作。实验证明，这一端到端模式在人体姿态估计任务中可以达到与之前强大基线相媲美或更好的表现。

    Nov, 2019

  • 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

  • HintPose

    本研究通过引入两个新的概念 - instance cue 和 recurrent refinement 到已有的姿态估计模型中，以处理带有多个人的检测框，实现了更准确的姿态估计，并在 COCO17 关键点数据集上取得了较高的 mAP 得分。

    Mar, 2020

  • YOLOPoint 关节点和物体检测

    未来的智能车辆必须能够理解并安全地穿行其周围环境。基于摄像头的车载系统可以使用关键点和物体作为 GNSS 无关的 SLAM 和视觉里程计的低级和高级地标。为此，我们提出了 YOLOPoint，一种将 YOLOv5 和 SuperPoint 结合起来，在图像中同时检测关键点和物体的卷积神经网络模型，通过使用共享骨干和轻量级网络结构，YOLOPoint 在 HPatches 和 KITTI 基准测试上表现出了竞争力。

    Feb, 2024

  • 视频中高效姿态估计的检测与追踪

    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

  • 关键点预测下的目标姿态自监督学习

    本文提出了一种基于自监督学习的关键点预测方法来进行相机位姿预测及三维目标物体的在线重建的深度学习网络，并在几个数据集上进行了实验，取得了显著的改进。

    Feb, 2023