AdaptivePose++：开辟多人姿态估计新思路，速度快、精度高
点击下方名片，关注我们，持续学习。
前言本文分享一篇姿态估计的论文。QQ交流群：444129970。群内有大佬负责解答大家的日常学习、科研、代码问题，群文件里也有很多计算机视觉入门的电子版资料，想要领取的朋友请加群自行下载。
转载自我爱计算机视觉
仅用于学术分享，若侵权请联系删除
传统的多人姿态估计主要有top-down 和 bottom-up两大技术路线，top-down先检测人体实例，在进行人脸关键点定位，bottom-up则先定位人体关键点，再将关键点“归集”到不同的人体实例。
以上过程均包含两个阶段，所以导致计算成本高、存在冗余计算。
为了解决上述问题，来自北邮、鹏城实验室等单位的学者提出将人体部位表示为自适应点集，并引入一种细粒度的身体表示方法，这种表示能够充分编码各种姿势信息，并在单次前向传递中有效地建模人体实例与相应关键点之间的关系。
代码地址：
https://github.com/buptxyb666/AdaptivePose
论文地址：
https://arxiv.org/pdf/2210.04014.pdf
传统人体部位表示方法与该文方法比较：
自适应点集人体表示方法可视化：
通过提出的新的人体表示方法，构建了一个紧凑的单阶段多人姿势回归网络AdaptivePose。在推理过程中单步解码操作即可计算出多人的姿势，无需复杂的后处理。
算法主要流程图：
在将 AdaptivePose 用于 2D/3D 多人姿势估计任务的实验中， 证明了有效性，在准确性和速度方面 于 MS COCO 和 CrowdPose 数据集上都实现了SOTA,在MuCo-3DHP 和 MuPoTS-3D 的出色表现也进一步证明了在 3D 场景上的有效性和通用性。
在COCO数据集上推理时间与精度的表现：
速度快，精度高：
在CrowdPose数据集上的结果示例：
在3D人体姿态估计数据集上的结果示例：
一个好的算法不仅仅是达到了STOA，而是给更多研究者开辟了一条路，相信这种多人姿态估计领域的新的人体表示方法，将会帮助更多研究者化繁为简，推动技术进步。
开源地址：
https://github.com/buptxyb666/AdaptivePose
若觉得还不错的话，请点个 “赞” 或 “在看” 吧
其它文章
关键词
模型
数据集
方法
目标检测
算法
最新评论
推荐文章
作者最新文章
你可能感兴趣的文章
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios) posted above belong to the User who shared or the third-party website which the User shared from. If you found your copyright have been infringed, please send a DMCA takedown notice to [email protected]. For more detail of the source, please click on the button "Read Original Post" below. For other communications, please send to [email protected].
版权声明：以上内容为用户推荐收藏至CareerEngine平台，其内容（含文字、图片、视频、音频等）及知识版权均属用户或用户转发自的第三方网站，如涉嫌侵权，请通知[email protected]进行信息删除。如需查看信息来源，请点击“查看原文”。如需洽谈其它事宜，请联系[email protected]。
版权声明：以上内容为用户推荐收藏至CareerEngine平台，其内容（含文字、图片、视频、音频等）及知识版权均属用户或用户转发自的第三方网站，如涉嫌侵权，请通知[email protected]进行信息删除。如需查看信息来源，请点击“查看原文”。如需洽谈其它事宜，请联系[email protected]。