近五年图像分割和人体姿态识别的一些经典必看论文

一梯度：卡内基梅隆大学机器人研究所以CPM为基础，从单人到多人的实时姿态识别研究。

1. Convolutional Pose Machines （CVPR2016 开源）
2. DeeperCut: A Deeper, Stronger, and Faster Multi-person Pose Estimation Model （ECCV2016 开源）
3. OpenPose: Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields （CVPR2017 开源）

二梯度：FAIR、谷歌大脑、清华&华科大，多种金字塔网络用于目标检测和多人姿态识别
1.Feature Pyramid Networks for Object Detection （CVPR2017 开源）
2.Towards Accurate Multi-person Pose Estimation in the Wild (CVPR2017)
3.Cascaded Pyramid Network for Multi-Person Pose Estimation（CVPR2018 开源）

三梯度：上交大提出的开源AIphaPose系统，效果比Mask R-CNN要好，用于实时视频识别
1.RMPE: Regional Multi-person Pose Estimation （ICCV2017 开源）
2.CrowdPose: Efficient Crowded Scenes Pose Estimation and A New Benchmark （CVPR2019 开源）

四梯度：多个2019年一些新方法，如自下而上的识别，3D识别等（比较杂乱）
1.PifPaf: Composite Fields for Human Pose Estimation （CVPR2019 开源）
2.PoseTrack: A Benchmark for Human Pose Estimation and Tracking （CVPR2018 开源）
3.3D human pose estimation in video with temporal convolutions and semi-supervised training （开源）
4.Exploiting Temporal Context for 3D Human Pose Estimation in the Wild （CVPR2019 开源）
5.Fast and Robust Multi-Person 3D Pose Estimation from Multiple Views （CVPR2019 开源）
6.PoseFix: Model-agnostic General Human Pose Refinement Network （CVPR2019 开源）

五梯度：图像分割、目标检测的鼻祖（卷积+deeplearning）
1.Rich feature hierarchies for accurate object detection and semantic segmentation （2013.11 开源）
2.Fast R-CNN （ICCV2015 开源）
3.Fully Convolutional Networks for Semantic Segmentation （CVPR2015 开源）
4.Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks （NIPS2015 开源）

六梯度：图像分割进阶 （近三年的语义分割、实例分割、全景分割）
1.Mask R-CNN （CVPR2017 开源）
2.Rethinking the Faster R-CNN Architecture for Temporal Action Localization
3.Mask Scoring R-CNN （CVPR2018 开源）
4.Dual Attention Network for Scene Segmentation （CVPR2019 开源）
5.DFANet: Deep Feature Aggregation for Real-Time Semantic Segmentation （CVPR2019 开源）
6.Attention-guided Unified Network for Panoptic Segmentation (CVPR2019)

以上论文都是本人看过的一些论文，如果时间允许，也将会详细介绍每一篇的内容。
所有论文都可以在百度找到对应的原文和一些博客的解读，源码链接也在原文中或者解读博客中给出。
如有其他疑问请评论，博主看到会第一时间回复。
最后，希望大家在deep Learning这条路上越走越开心，✌！