1.文章简介
本文作为体素类方法的升级，是voxelpose的升级版，在性能保持差不多的同时，速度提升10倍，此方法不需要昂贵的3D神经网络，而是采用2D与1D网络，证明了其潜力。
2.文章框架
a.方法的输入是3D特征体积，通过将2D热图反向投影到3D体素空间来构建的，2D热图用HRnet来实现。
b.为了降低计算量，本文将3D体素特征投影到坐标系平面（xy,yz,xz），但这个方法对单人可能有效，但对多人尤其是互相遮挡的时候出现了问题，人会相互重叠，其发现了使用bird-eye view，也就是鸟瞰图，这是由于在z轴方向人们基本不可重叠，接下来进行两步：①用HDN网络检测所有的人通过3Dbounding box②使用联合定位网络对每个人进行细粒度姿态估计
b1.Human Detection Networks(HDR)
首先通过HRnet输入2D热图，然后反向投影至3D，沿z方向进行最大池化，将特征重新投影至地平面xy，获得特征F(xy)，将F（xy）馈送到2D全卷积网络，以检测xy平面中的人的位置，平面中所有人的位置由2D置信度图H（xy）编码，网格点（i，j）的置信值通过以下公式计算
然后进一步估计了每个人的2Dbox大小，盒子的高度简单地设置为2000mm。这对于隔离多人干扰至关重要，尤其是在拥挤的场景中，损失如下
并进行偏移量的估计，损失如下
下一步进行对高度的回归， 损失如下：
总损失：
b2. Joint Localization Networks
关节也采取正交投影，并分别进行2DCNN得到每个投影面的投影骨架
3.实验结果
4.可视化
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
