Lite Pose: 高效的 2D 人体姿势估计架构设计
本研究提出了 EfficientHRNet,这是一系列轻量级多人姿势估计器,能够在资源受限设备上实时执行姿势估计操作。通过将模型缩放的最新进展与高分辨率特征表示的统一,EfficientHRNet 在降低计算量的同时创建高度准确的模型,最大的模型能够在 1/3 的计算量和 1/3 的功率的情况下,实现与现有最先进水平相近的精度。
Jul, 2020
本文提出了一个高效的框架来解决人体姿势估计的问题,通过可微分神经架构搜索方法来个性化定制网络设计,并介绍了空间信息校正模块来提高最终预测的效果。实验结果表明,我们的最小模型只有 0.65 GFLOPs,在 MPII 上具有 88.1% 的 [email protected],并且我们的大型模型只有 2 GFLOPs,而其准确性与最先进的大型模型 HRNet 相当 。
Dec, 2020
本文提出了一种简单、轻量级的人体姿态估计方法 LPN,它采用深度可分离卷积和注意力机制来设计轻量级的 bottleneck 模块,并基于此设计了 LPN 网络。我们的网络仅有 SimpleBaseline(ResNet50)大小的 9% 和复杂度的 11%,并提出了迭代训练和模型无关的 Beta-Soft-Argmax 后处理方法,在 COCO 关键点检测数据集上达到了较高的精度和效率
Nov, 2019
本论文提出了高效高分辨率网络 Lite-HRNet,通过条件通道加权替代 shuffle blocks 中的昂贵的逐点(1x1)卷积来提高轻量级网络,对人体姿势估计和语义分割任务都能提供卓越的结果。
Apr, 2021
MovePose 是一种为 CPU-based 移动设备上的实时人体姿势估计而设计的优化轻量级卷积神经网络,具有高精度和实时性能。
Aug, 2023
本文将基于 OpenPose 的从下往上的方法适配多人姿态估计架构用于边缘设备,并提出了相应的网络设计和后处理代码优化,实现了 28fps 和 26fps 的帧率,模型参数为 4.1M,GFLOPs 为 9B,是基准 2 阶段 OpenPose 复杂度的 15% 。
Nov, 2018
本文介绍了一种名为 Multi-Stage HRNet 的人体姿势估计模型,并采用多阶段网络和交叉阶段特征聚合等技术优化了关键点位置,从而在 COCO 数据集上取得了 77.1 AP 得分。
Oct, 2019
本文提出了一种新的基于卷积神经网络的人体姿势估计的架构和改进的学习技术,能够学习底层特征和高级弱空间模型,在姿态估计中比现有传统架构实现了显著改善。同时,本文探讨了一些研究中发现的经验教训,表明在一些情况下,甚至仅涵盖图像中的几个像素的特征检测器也可以产生出强的特征检测结果,并且高级空间模型对姿势估计的改善效果相对较小。本文的主要贡献在于展示了一种特定变体的深度学习可以在该任务上胜过所有现有传统架构。
Dec, 2013
通过在高分辨率网络中引入动态轻量化、多尺度上下文信息提取、长距离空间依赖建模的方法,本文提出了一种动态轻量化高分辨率网络模型(Dite-HRNet),该模型在 COCO 和 MPII 人体姿态估计数据集上取得了优异的表现,超越了现有的轻量化网络模型。
Apr, 2022
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