论文:Deeply Learned Compositional Models for Human Pose Estimation
- 2018ECCV,Wei Tang, Pei Yu and Ying Wu
1.主要思想
目前基于传统CNN进行Pose检测,当存在重叠部分、附近人员干扰和杂乱背景造成歧义时,很容易导致检测错误,精度变差。
作者提出了一个有希望的方法是利用人体的组合性。它的意思是将一个整体表示为一个由部分和子部分组成的层次结构,这些部分和子部分满足一定的约束条件。这种层次结构使得模型能够捕捉部件之间的高阶关系。
基于这一原理,姿势估计分为两个阶段:自下而上的推理和自上而下的推理,在自底向上的阶段,高级部件的状态由其子部件的状态递归地预测。在自上而下的阶段,较低级别部分的状态由其父母的状态重新定义。
2.本文提出的DLCM的网络结构
Note: 具体算法细节没有去仔细研究了解。
3.实验结果
4.结论:
作者通过利用CNN来学习人体内复杂的组合模式来进行姿态估计,实验证明了该方法的有效性。