本文深入探讨RMPE: Regional Multi-Person Pose Estimation论文，该研究改进了两步框架，通过Symmetric STN和Parallel SPPE增强姿态识别准确性，即使在边框不准确的情况下。此外，提出参数化姿态非最大抑制（Parametric Pose NMS）减少冗余检测，以及姿态引导的提案生成器（Pose-guided Proposals Generator）增强数据增广。在MPII和COCO关键点数据集上取得优秀效果。
小白一只，正在学习 论文RMPE: Regional Multi-Person Pose Estimation[1]
[1] Fang H, Xie S, Lu C. Rmpe: Regional multi-person pose estimation[J]. arXiv preprint, 2017.
现阶段常用的姿态识别方法，包括两步(two-step framework) 框架 和 基于部分(part-based)的框架。其中两步框架，首先检测边框(bounding boxes), 然后估计边框中的动作，这两步分别进行。缺点是姿态估计的准确率受限于 边框 定位的准确与否。
而基于部分的框架，独立检测身体的某些部分（头部，肘部等）然后将这些部分组成多个人体姿态。缺点是当有多个人靠的很近时，无法将不同人的姿态分开。
论文提出的方法，基于 两步法框架，并能在边框不准确的情况下，正确的检测人体姿态。
总体来看，论文提出了regional multi-person pose estimation (RMPE) framework 包括三个创新部分，
一个是对称空间变换网络 symmetric spatial transformer network (SSTN) 结合 SPPE Stacked Hourglass model，作用是从一个不准确的边框中提取一个高质量的单个人区域, 同时引入一个并行的SPPE分支来优化这个网络。
二是，为了消除冗余的检测，引入参数姿态非最大抑制（NMS
最低0.47元/天 解锁文章
5334
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
