详细内容或原文请订阅后点击阅览
人体姿势估计
执行 2D 或 3D 人体姿势估计的最流行模型概述
来源:AI夏令营人体姿势估计是计算机视觉中一项重要的任务，近年来引起了广泛关注，并具有广泛的应用，如人机交互、游戏、动作识别、计算机辅助生活、特效。随着深度学习时代神经网络的出现，它得到了迅速发展。
深度学习图 1 HPE
图 1 HPE那么，什么是人体姿势估计？
3D 人体姿势估计的目标是从单个图像中估计一个或多个人体在 2D 或 3D 空间中的关节位置。关节连接起来形成骨架来描述人的姿势。
我们将重点介绍最流行和最新的 2D 和 3D 人体姿势估计研究成果
图：OpenPose 的整体架构
图：OpenPose 的整体架构OpenPose 是用于身体、脚、手和面部关键点检测的最流行的开源工具。它利用部分亲和场 (PAF)，这是一组 2D 矢量场，用于对图像域上肢体的位置和方向进行编码。如图所示，F 经过几个卷积层，为每个关节位置生成 PAF (L) 和置信度图 S。该过程重复几次迭代，网络在每个阶段都会改进其预测。OpenPose 仍被广泛用于许多研究项目中。
F L S图 3：我们的方法图。我们网络的构建块是一个线性层，后面是批量归一化、dropout 和 RELU 激活。这重复两次，两个块被包裹在残差连接中。外部块重复两次。我们系统的输入是二维关节位置的数组，输出是一系列三维关节位置
DensePose：野外密集人体姿势估计
DensePose Mask-RCNN FPN 全卷积网络 生成对抗网络训练多任务框架，用于从单目彩色图像联合估计二维或三维人体姿势，并从视频序列中对人体动作进行分类
p Human3.6M