本文是关于人体姿态估计的笔记，介绍了2D和3D姿态估计的概念，以及OpenMMLabAI中人体姿态估计的应用。2D姿态估计分为基于回归和基于热力图两种方法，其中热力图方法更为常见。笔记还提到了DeepPose和Residual Log-likelihood Estimation（RLE）等方法，并探讨了回归模型与热力图方法的优缺点。
以下文字仅是一个入门小白的课堂笔记分享，如有不妥之处，恳请各位朋友指出！
人体姿态估计的介绍与应用
人体姿态估计是指从给定的图像中识别人脸、手部、身体等关键点，输入图像I，输出所有关键点的像素坐标（x1，y1），（x2，y2），（xj，yj），其中j为关键点的总数，j取决于具体的关键点模型，人脸有68个关键点，手势是21个关键点，人体是18个关键点。而姿势形态的多变性，关键点的坐标也会有各种不同的组合，这也是人体姿态估计模式识别的难点所在。
3D姿态估计，预测人体关键点在三维空间中的坐标，可以在三维空间中还原人体的姿态，更进一步，我们可以构造人体参数化模型从图像或者视频中恢复出运动的3D人体模型；对于下游任务，姿态估计也有着广泛的应用，可以用于研究行为理解、PoseC3D基于人体姿态识别行为动作、应用于CG动画、进行手势人机交互、动物行为识别分析……
2D姿态估计
2D人体姿态估计指在图像上定位人体关键点（通常是关节）的坐标。而关键点的检测有两种基本思想：基于回归和基于热力图。
（图源OpenMMLabAI2期实战营PPT 下同）
基于回归
对关键点的检测可以建模成一个回归问题
最低0.47元/天 解锁文章
1573
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
