FastPose：基于尺度归一化多任务网络迈向实时姿态估计与跟踪
计算机视觉与模式识别
2019-08-16 v1
摘要
精度与效率对于视频中的姿态估计与跟踪均十分重要。当前最优性能由两阶段自顶向下方法主导。尽管结果领先，这些方法因其分离架构与复杂计算而对实际应用不切实际。本文面向实时速度解决铰接式多人姿态估计与跟踪任务。设计了一个端到端多任务网络（MTN）以同时执行人体检测、姿态估计与行人重识别（Re-ID）任务。为缓解尺度变化问题导致的性能瓶颈，提出了一种利用尺度归一化图像与特征金字塔（SIFP）的范式以提升性能与速度。给定 MTN 的结果，我们在姿态跟踪模块中采用遮挡感知 Re-ID 特征策略，其中利用姿态信息推断遮挡状态以更好地使用 Re-ID 特征。实验中，我们证明借助不同骨干网络，利用 SIFP 的姿态估计与跟踪性能稳步提升。以 ResNet-18 与 ResNet-50 为骨干，整体姿态跟踪框架分别取得 29.4 FPS 与 12.2 FPS 的竞争性性能。此外，遮挡感知 Re-ID 特征在姿态跟踪过程中将身份切换减少了 37%。
引用
@article{arxiv.1908.05593,
title = {FastPose: Towards Real-time Pose Estimation and Tracking via Scale-normalized Multi-task Networks},
author = {Jiabin Zhang and Zheng Zhu and Wei Zou and Peng Li and Yanwei Li and Hu Su and Guan Huang},
journal= {arXiv preprint arXiv:1908.05593},
year = {2019}
}