ICCVAug, 2023

群组姿势：一种简单的端到端多人姿势估计的基线

PDF
TL;DR通过简单且有效的 Transformer 方法，命名为 Group Pose，我们研究了无人工盒监督的端到端多人姿态估计问题，取得了优于复杂解码器的性能。
end-to-end multi-person pose estimationtransformer approachgroup posedecoder self-attentionhuman box supervision
发现论文，激发创造
  • 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

  • 通过注意力将关键点分组以实现多人姿态估计的关注中心

    本研究介绍了 CenterGroup，这是一种基于注意力机制的框架，用于从一组身份不可知的关键点和人物中心预测中估计人体姿势。我们的方法使用 transformer 为所有检测到的关键点和中心获取上下文感知嵌入，然后应用多头注意力直接将关节分组到相应的人物中心。最终，我们的方法在实现最先进性能的同时，比竞争的从底部方法提高了多达 2.5 倍的推理速度。

    Oct, 2021

  • 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

  • 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

  • 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

  • DeeperCut: 一种更深、更强、更快的多人姿态估计模型

    本文旨在提高多人场景下的关节姿态估计技术。为此，我们在三个方面做出了贡献：提出了改进的身体部位检测器、新颖的图像条件下的成对项以及一种递增优化策略。我们的方法在多人姿态估计任务中表现得更加优秀，并在单人姿态估计任务上展现出了竞争性的性能。

    May, 2016

  • 多人姿态估计的可微分分层图分组

    本文提出了一种新的人体部分聚类方法，即可学习的分层图聚类 (HGG) 方法，用于底层多人姿态估计任务，并证明该方法可以提高底层姿态估计方法的性能。

    Jul, 2020

  • 明确框检测统一了端到端的多人姿态估计

    ED-Pose 是一个新型的端到端框架，具有明确的框检测技术，用于多人姿态估计，该方法将全局和局部信息进行上下文学习，并解决了这个任务的两个显式框检测过程。该方法不需要后期处理和密集热图监督，并展示了其与两阶段和单阶段方法相比的有效性和效率。

    Feb, 2023

  • 多尺度监督网络用于人体姿态估计

    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

  • 基于局部关节到人员关联的多人姿态估计

    本文提出了一种基于整数线性规划的方法来解决多人姿态估计的问题，并且在 MPII 人体多人姿态数据集上实现了与最先进方法相当的精度，但速度快了 6,000 到 19,000 倍。

    Aug, 2016