基于深度可分离卷积与人中心引导关节分组的的高效人体姿态估计
计算机视觉与模式识别
2020-12-08 v1
摘要
本文提出高效且有效的二维人体姿态估计方法。基于深度可分离卷积提出一种新的 ResBlock，并替代 Hourglass 网络中的原始模块。通过以混合深度可分离卷积替换普通深度可分离卷积可进一步增强该模块。基于此，我们提出一种自底向上的多人姿态估计方法。通过引入作为根节点并直接 or 分层连接所有身体关节的人中心，用有根树表示人体姿态。两个子网络分支用于预测中心、身体关节及其到父节点的偏移量。通过沿偏移量追踪至最近的中心来完成关节分组。在 MPII 人体数据集与 LSP 数据集上的实验结果表明，我们的单人与多人姿态估计方法均以较低计算成本取得了具竞争力的精度。
引用
@article{arxiv.2012.03316,
title = {Efficient Human Pose Estimation with Depthwise Separable Convolution and Person Centroid Guided Joint Grouping},
author = {Jie Ou and Hong Wu},
journal= {arXiv preprint arXiv:2012.03316},
year = {2020}
}