本文介绍了AI Challenger中人体骨骼关键点检测任务，涉及多个人体姿势估计（multi-person pose estimation）技术，包括openPose、G-RMI等方法。文章列举了不同方法的性能，并对比了bottom-up和top-down两种主要方法。同时提到了相关数据集如MSCOCO Keypoint、MPII和Posetrack。以openPose作为baseline，在AI Challenger上的初步尝试结果为26%。
AI Challenger 其中的人体骨骼关键点检测主要依赖的技术背景为Human pose estimation。该领域分为单人和多人两类，根据竞赛数据集来看，该任务为mult-person pose estimation。以下先介绍该竞赛的相技术背景
-- Background
专业术语：multi-person pose estimation
文章列表
1. open-Pose：<Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields >（CVPR 2017 Oral, CMU）
性能：COCO: 61% MPII:75%
2. G-RMI <Towards accurate multi-person pose estimation in the wild> (CVPR 2017 Google)
性能：COCO: 67%
3. Associative Embedding <Associative Embedding:End-to-End Learning for Joint Detection and Grouping> (rejected by ICCV2017 , UMICH Jia Deng)
性能： COCO :66%
最低0.47元/天 解锁文章
扫一扫
2630
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
