SMPR：单阶段多人姿态回归
计算机视觉与模式识别
2020-12-01 v2
摘要
现有多人姿态估计器可大致分为两阶段方法（自顶向下与自底向上方法）与单阶段方法。两阶段方法或因额外的行人检测器而计算冗余高，或在预测所有实例无关关键点后启发式地分组关键点。近期提出的单阶段方法不依赖上述两个额外阶段，但性能低于最新自底向上方法。本文提出一种新颖的单阶段多人姿态回归方法，称为 SMPR。它遵循密集预测范式，从每个位置预测实例感知关键点。除特征聚合外，我们提出更好的策略来定义用于训练的正姿态假设，这些在密集姿态估计中均起重要作用。网络还学习估计姿态的得分。该姿态打分策略通过在非极大值抑制（NMS）中优先保留更优姿态进一步提升了姿态估计性能。我们展示该方法不仅优于现有单阶段方法，且与最新自底向上方法具竞争力，在 COCO test-dev 姿态基准上取得 70.2 AP 与 77.5 AP75。代码见 https://github.com/cmdi-dlut/SMPR。
引用
@article{arxiv.2006.15576,
title = {SMPR: Single-Stage Multi-Person Pose Regression},
author = {Junqi Lin and Huixin Miao and Junjie Cao and Zhixun Su and Risheng Liu},
journal= {arXiv preprint arXiv:2006.15576},
year = {2020}
}
备注
9 pages, 8 figures