本研究开发了一种新型关键点置信网络和跟踪流程，以改善自上而下方法中的人体检测和姿势估计，实验结果显示我们的方法在人体检测和姿势估计方面具有普适性，并在 PoseTrack 2017 和 2018 数据集上取得最先进的性能。

Oct, 2023

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

提出了一种名为 Multi-Instance Pose Network (MIPNet) 的人体姿势估计模型，能够在给定边框范围内预测多个 2D 姿态实例，并引入了一种称为多实例调制块（Multi-Instance Modulation Block，MIMB）的方法来适应性地调制每个实例的通道特征响应，与以往方法相比，在复杂场景中取得了显著的性能提升。

Jan, 2021

我们提出了一种基于多类对齐预测均值置信度和预测确定度（MACC）的新的训练时校准方法，通过鼓励模型在预 softmax 分布中提供低（或高）扩散，从而达到了领域内和领域外预测的最先进校准性能。

Sep, 2023

提出了一种新的方法来测量并校准物体检测方法的偏置（或机器不准确）置信度估计，使用附加信息可以在图像位置和框比例方面获得校准的信心估计，并提出了一种新的度量方法来评估物体检测器的不准确性。

Apr, 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

本文介绍了一种改进的三维人体姿势预测模型 MargiPose，它使用深度神经网络和增强软最大值方案，可以在保持可微性的同时，从单眼 RGB 图像中预测二维边缘热图，并在公开的三维人体姿势估计数据上实现了最新的准确性。

Jun, 2018

深度聚类存在过度自信问题，本研究开创性地提出了一个校准深度聚类框架，通过引入一个新的双头深度聚类流程来有效校准预测的置信度和实际准确性，通过规范化方法调整聚类流程中过度自信的预测，动态选择可靠的高置信度样本进行训练，并引入一种有效的网络初始化策略，提高训练速度和网络鲁棒性。广泛实验证明，该校准深度聚类框架在期望校准误差方面超过了最先进的深度聚类方法约 10 倍，并在聚类准确性方面显著优于它们。

Mar, 2024

本文研究了深度神经网络模型校准方面的现有问题，并发现这类模型存在大量 “几乎确定” 置信度，导致常常过于自信。同时，文章提出可采用 Mixup 数据增强技术中的修改损失函数的方法来解决此类问题。

Jun, 2023