Points Detection综述

访风景于崇阿

已于 2023-04-06 15:52:22 修改

阅读量111

点赞数

分类专栏：关键点检测文章标签：深度学习

于 2023-04-04 12:52:58 首次发布

本文链接：https://blog.csdn.net/starlight1231/article/details/129947078

版权

本文综述了人体姿态估计的方法，包括stacked Hourglass Networks、OpenPose、Cascaded Pyramid Network和HRNet等，重点介绍了HRNet如何通过保持高分辨率特征表示来避免信息损失。同时，提到了轻量级模型如FPD和Fast Human Pose Estimation，以及在COCO数据集上的关键点检测。

摘要由CSDN通过智能技术生成

stacked Hourglass Networks 堆叠沙漏网络 (2016单人)

OpenPose（2016）COCO <<Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields>>

Cascaded Pyramid Network 级连金字塔网络（Top-Down） (2017多人) COCO <<Cascaded Pyramid Network for Multi-Person Pose Estimation>>

Multi-Stage Pose Network（Top-Down）(2018多人) COCO

RSP（2019冠军）COCO <<Res-Steps-Net for Multi-Person Pose Estimation>>

DarkPose（2019亚军）COCO <<Distribution-Aware Coordinate Representation for Human Pose Estimation>>

HRNet (CVPR2019 单人) 应用于人体姿态估计的通常趋势是将高分辨率特征图下采样到低分辨率，然后尝试从低分辨率特征图中恢复高分辨率值。基于这一动机，本研究提出了一种直观且不同的模型，称为高分辨率网络(HRNet)，以在整个过程中保持高分辨率的表示。