Apr, 2024

DHRNet：用于多人姿势估计的双路径层次关系网络

PDF
TL;DR本文介绍了一种名为双通道分层关系网络 (DHRNet) 的新型基于卷积神经网络的单阶段方法，能够同时提取实例到关节和关节到实例之间的交互信息，通过整合不同相关建模分支的优点，丰富了交互信息，并且通过利用其他实例和关节的信息在关节定位方面表现出色，对于多人姿势估计 (MPPE) 提出了一种有效的解决方案。
multi-person pose estimationmppecnn-based single-stage methoddual-path hierarchical relation networkjoint localization
发现论文，激发创造
  • DRSI-Net: 双重残差空间交互网络用于多人姿态估计

    为了解决多人姿势估计中局部和全局信息不匹配的问题，本文提出了一种高精度低复杂度的 Dual-Residual Spatial Interaction Network (DRSI-Net)。通过在邻居特征上递归地进行残差空间信息交互，保留更有用的空间信息并在浅层和深层特征之间得到更多相似性。多尺度特征融合中引入的通道和空间双重关注机制有助于网络自适应地关注与目标关键点相关的特征并进一步改进生成的姿势。同时，通过优化交互通道维度和梯度流的分割，设计了轻量级的空间交互模块，从而减少了网络的复杂性。根据在 COCO 数据集上的实验结果，DRSI-Net 在精确性和复杂性方面均优于其他最先进的方法。

    Feb, 2024

  • 双路径网络用于多人姿态估计

    本文提出了一种特别设计用于多人姿势估计的双路网络，着重于回归关键点和连肢矢量，与现有的 openpose 网络在模型大小、前向速度和估计精度方面进行了比较。

    Oct, 2017

  • Dite-HRNet：用于人体姿态估计的动态轻量级高分辨率网络

    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

  • 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

  • 深度双连续网络用于人体姿态估计

    本文提出了一种基于多帧和时序信息的人体姿态估计方法。该方法包含三个模块：姿态时序合成器、姿态残差融合模块和姿态校正网络。在 PoseTrack2017 和 PoseTrack2018 数据集上进行的实验结果表明，该方法取得了最佳效果，并已发布代码以期促进未来的研究。

    Mar, 2021

  • HDNet: 多人摄像空间定位的人体深度估计

    本文提出了一个名为 HDNet 的绝对根关节定位的端到端框架，首先使用关节点的热图估计 2D 人类姿势，并使用这些估计热图作为池化特征和通过骨架图神经网络在关节之间传播特征，并将目标深度回归公式化为一个 bin 索引估计问题，实验结果表明 HDNet 在多个评估指标下始终优于先前的最新技术。

    Jul, 2020

  • 基于关系网络的 3D 人体姿态估计

    本文提出了一种基于神经网络的新型三维人体姿态估计算法，采用关系网络的结构来捕捉不同身体部位之间的关系，并使用每对不同身体部位生成的特征的平均值进行 3D 姿态估计，提出的网络在 Human 3.6M 数据集中实现了最先进的性能，并能在缺失关节的情况下有效地产生可信的结果。

    May, 2018

  • I^2R-Net：用于多人姿态估计的人际内和外关系网络

    本研究提出了基于人际内外关系网络（I ^ 2R-Net）的多人姿态估计算法，在 COCO、CrowdPose 和 OCHuman 数据集上，得到了优于现有方法的结果。

    Jun, 2022

  • BiHRNet：用于人体姿势估计的二进制高分辨率网络

    在本研究中，提出了一种名为 BiHRNet（Binary HRNet）的二值人体姿势估计器，该估计器在适应二值神经网络（BNN）的同时保留了 HRNet 的关键点提取能力，通过提出二值网络训练过程的优化方法以及设计更适合二值化的结构，实现了更少的计算资源开销和精度下降，并在实验中取得了较好的性能。

    Nov, 2023

  • 多实例姿态网络：重新思考自上而下的姿态估计

    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