Group Pose：一种用于端到端多人姿态估计的简单基线

本文研究端到端多人姿态估计问题。当前最优方案采用类 DETR 框架，主要设计复杂解码器，例如 ED-Pose 将姿态估计视为关键点框检测并与人体检测结合，PETR 使用姿态解码器与关节（关键点）解码器分层预测。我们提出一种简洁而高效的 transformer 方法，名为 Group Pose。我们简单地将 $K$ 关键点姿态估计视为预测一组 $N\times K$ 个关键点位置（各由一个关键点查询预测），并以一个实例查询表示每个姿态用于对 $N$ 个姿态预测打分。受“不同类型跨实例查询间的交互无直接助益”这一直觉启发，我们对解码器自注意力做了简单修改：将以所有 $N\times(K+1)$ 个查询为对象的单一自注意力，替换为两次后续的分组自注意力：(i) $N$ 次实例内自注意力，每次作用于 $K$ 个关键点查询与一个实例查询；(ii) $(K+1)$ 次同类型跨实例自注意力，每次作用于 $N$ 个同类型查询。所得解码器去除了跨实例不同类型查询间的交互，简化了优化从而提升性能。在 MS COCO 与 CrowdPose 上的实验表明，我们无需人体框监督的方法优于此前带复杂解码器的方法，甚至略优于使用人体框监督的 ED-Pose。$\href{https://github.com/Michel-liu/GroupPose-Paddle}{\rm Paddle}$ 与 $\href{https://github.com/Michel-liu/GroupPose}{\rm PyTorch}$ 代码已公开。