Dec, 2023

RTMO: 高性能一阶段实时多人姿势估计

PDF
TL;DRRTMO 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。
real-time multi-person pose estimationone-stage pose estimationcoordinate classificationdual 1-d heatmapsdense prediction models
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

  • 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

    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。

    Apr, 2022

  • 面向高性能的单阶段人体姿态估计

    本文针对使用 Mask RCNN 进行人体姿态估计时存在的性能问题及效率问题，提出了一种基于改进后的全局上下文模块和 ResNet-50 骨架的人体姿态估计方法，取得了较好的姿态估计效果和运行效率。

    Jan, 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

  • 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

  • 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

  • 多阶段 HRNet: 用于人体姿态估计的多阶段高分辨率网络

    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

  • 从单目图像估计多人三维人体姿态

    通过提出的 HG-RCNN 网络，借助 Mask-RCNN 和 Hourglass 结构进行多人 3D 人体姿态估计，实现对每个感兴趣区域（RoI）中 2D 关键点的先预测后提升，最终采用弱透视投影模型和焦距和根偏移的联合优化将估计的 3D 姿态置于相机坐标系下，该网络简单模块化且无需多人 3D 姿态数据集，取得了 MuPoTS-3D 数据集的最优性能，并能近似在相机坐标系下估计 3D 姿态。

    Sep, 2019

  • 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

  • 重新思考多级网络用于人体姿态估计

    研究单阶段方法与多阶段方法在姿态估计领域的性能表现，提出了单阶段模块设计、跨阶段特征聚合和粗到细的监督等改进建议，所得方法在 MS COCO 和 MPII Human Pose 数据集上都取得了新的最优表现，证明了多阶段架构的有效性。

    Jan, 2019