AdaptivePose++：一种强大的多人姿态回归单阶段网络
计算机视觉与模式识别
2022-10-11 v1
摘要
多人姿态估计通常遵循自顶向下和自底向上两种范式。二者均使用额外的阶段（例如自顶向下范式中的人体检测或自底向上范式中的分组过程）来建立人体实例与相应关键点之间的关系，从而导致较高的计算成本和冗余的两阶段流程。为解决上述问题，我们提出将人体部位表示为自适应点，并引入一种细粒度人体表示方法。这种新颖的人体表示能够在单次前向传播中充分编码多样化的姿态信息，并有效建模人体实例与相应关键点之间的关系。基于所提出的身体表示，我们进一步提出了一个紧凑的单阶段多人姿态回归网络，称为 AdaptivePose。在推理过程中，我们所提出的网络仅需单步解码操作即可形成多人姿态，无需复杂的后处理与细化。我们将 AdaptivePose 用于 2D/3D 多人姿态估计任务以验证其有效性。在不使用任何花哨技巧的情况下，我们在 MS COCO 和 CrowdPose 上取得了准确率和速度方面最具竞争力的性能。此外，在 MuCo-3DHP 和 MuPoTS-3D 上的出色表现进一步证明了其在 3D 场景下的有效性与泛化能力。代码见 https://github.com/buptxyb666/AdaptivePose。
引用
@article{arxiv.2210.04014,
title = {AdaptivePose++: A Powerful Single-Stage Network for Multi-Person Pose Regression},
author = {Yabo Xiao and Xiaojuan Wang and Dongdong Yu and Kai Su and Lei Jin and Mei Song and Shuicheng Yan and Jian Zhao},
journal= {arXiv preprint arXiv:2210.04014},
year = {2022}
}
备注
Submit to IEEE TCSVT; 11 pages. arXiv admin note: text overlap with arXiv:2112.13635