本文介绍了一种基于视觉转换（Vision Transformer）架构和部分正确分割掩码训练的方法，可检测专业滑雪跳跃者的任意关键点。通过分析不同的训练技巧，实验证明仅需要一些部分正确的分割掩码即可学习检测肢体和滑雪板上的任意关键点，从而可以避免手工标注分割掩码的高成本。

Nov, 2022

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

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

用快速的自下而上的方法，结合图形中心性度量对人类或物体上的 100 多个关键点进行检测，为硬件和人物建模，量化关键点的独立性，将训练权重分配给不同部位的姿势。经实验证明该方法优于以往的所有人体姿势估计方法，而且具有很好的泛化性能。

Oct, 2021

提出了一个基于多任务学习的框架来识别行人穿越行为并预测其未来轨迹，利用从原始传感器数据提取出来的人体关键点来捕捉丰富的人体姿态和活动信息，同时引入辅助任务和对比学习以提高所学习人体关键点表达式的性能表现。在大规模内部数据集和公共基准数据集上进行验证，证明了该方法在多种评估指标上实现了最先进的性能。

Jun, 2023

本文提出了一种基于单目视频预测人们跌倒的新方法，利用身体关键点的姿势预测模块和跌倒分类器的联合训练，通过对 191 个视频数据集的对比实验展示了预测未来跌倒的有效性。

Aug, 2019

提出了 Expressive Keypoints 方法，通过细化骨骼表示并加入手和脚的细节，提高了现有模型在识别复杂动作方面的区分能力。使用骨骼转换策略逐渐降低关键点数量并给予重要关节更高的权重，同时引入了插拔式实例池模块，使方法能在多人场景下运行而不增加计算成本。通过在七个数据集上的广泛实验结果表明，该方法在使用基于骨骼的人体动作识别方面优于现有技术。

Jun, 2024

本研究提出了一种新的机器学习流程和网络接口，可对实时视频进行人姿态识别，检测特定健身运动并进行分类，主要贡献包括一种基于关键点和时间序列的轻量级分类方法和一个基于 Web 的软件应用程序，实时获取和可视化结果。

Mar, 2022

使用卷积神经网络从头部图像直接预测欧拉角度量（偏航角，俯仰角和横滚角），以代替传统的人头模型法进行姿态估计，并在常用数据集上取得了最优结果。

Oct, 2017

本文提出了一种名为 “Keypoint Transformer” 的深度神经网络结构，该结构可以通过二维关键点自注意力机制提取手部三维位姿，实验结果表明该算法在 InterHand2.6M 数据集上性能优于当前所有算法，并可以扩展到双手操纵物体的三维位姿估计，同时作者还提供了超过 75,000 个手部交互的三维场景数据集。

Apr, 2021