AI实战营第二课笔记

        人体姿态估计是指通过计算机视觉技术来分析图像或视频中人体的关键点位置和姿态信息。它在许多领域有广泛的应用，例如人机交互、动作捕捉、姿态分析、运动分析等。

2D姿态估计

1 自顶向下方法：

(1) DensePose：通过引入热力图来监督人体关键点的计算，提供更准确的结果。
(2) RLE：使用Run-length Encoding（RLE）技术来对人体姿态进行编码和解码。
(3) CPM（Convolutional Pose Machines）：采用卷积神经网络进行多阶段的姿态估计。
(4) Hourglass：结合不同尺度的信息进行预测，通过堆叠多个hourglass模块来提高性能。
(5) Simple Baseline：简化的基线方法，通过简单的网络结构和损失函数来进行姿态估计。
(6) HRNet（High-Resolution Networks）：融合多尺度特征图，结合空间信息，在不同尺度的特征图上进行多任务监督。

2 自底向上方法：

(1) OpenPose：通过预测骨骼位置作为关键点亲和度的衡量，进行关键点检测和姿态估计。

(2) 单阶段方法：SPM（Stacked Pyramid Network）：采用单个网络直接进行姿态估计，避免了多阶段的计算。

(3) 基于Transformer的方法：PRTR/TokenPose：利用Transformer模型进行姿态估计，通过引入注意力机制来捕捉全局关系。

  3  3D姿态估计：

(1) 介绍了3D姿态估计的研究进展，包括以下技术：
     Coarse-to-fine：通过从粗糙到精细的阶段进行姿态估计，提高精度。
     视频：利用视频序列中的时序信息来推断人体姿态。
     多视角图像：利用多个视角的图像来进行姿态估计，提高鲁棒性和准确性。

(2) 人体姿态估计的评估方法：
     对于评估人体姿态估计算法的性能，常用的指标包括关键点定位误差（PCK）、平均精度（AP）、角度误差（MPJPE）等。

(3) 人体参数化模型：
     为了控制和预测人体的三维姿态模型，研究学者引入了人体参数化模型。其中一些常用的模型包括SMPL（Skinned Multi-Person Linear model）、SMPLify和HMR（Human Mesh Recovery）。通过参数化这些模型，可以实现对人体姿态的精细控制，并通过监督这些参数来进行三维模型的预测。

        以上是关于人体关键点检测与MMPose的主要要点。这些内容涵盖了人体姿态估计的介绍与应用、2D姿态估计方法（自顶向下和自底向上方法，单阶段方法，基于Transformer的方法）、3D姿态估计、人体姿态估计的评估方法、人体参数化模型的介绍。