这周看了一篇新的来自CVPR2019的姿态估计paper，不过对计算机视觉任务来说都应该能带来一些启发，笔者按照自己的理解做一个笔记，欢迎讨论拍砖，感谢！论文题目如下：一、MotivationandContribution首先，在姿态估计领域，一般面临的挑战主要有光照、尺度差异、遮挡等等。一般来说，高层的低分辨率的语义特征可以用来推导看不见的关节，而低层的高分辨率的语义特征对适应尺度变化推导小尺度

OpenPose：使用部分亲和场的实时多人2D姿势估计。code：GitHub-ZheC/Realtime_Multi-Person_Pose_Estimation:Coderepoforrealtimemulti-personposeestimationinCVPR'17(Oral)paper：[1611.08050]RealtimeMulti-Person2DPoseEstimationusi

欢迎关注我的公众号[极智视界]，获取我的更多经验分享大家好，我是极智视界，本文来介绍一下RealtimeMulti-Person人体姿态估计之OpenPose。邀您加入我的知识星球「极智视界」，星球内有超多好玩的项目实战源码下载，链接：https://t.zsxq.com/0aiNxERDqOpenPose主要是采用一个叫做PAF(PartAffinityFields，翻译过来是叫部件亲和场)来预

28.文献阅读笔记简介题目RealtimeMulti-Person2DPoseEstimationusingPartAffinityFields作者ZheCao,TomasSimon,Shih-EnWei,andYaserSheikh,CVPR,2017.原文链接arxiv.org/pdf/1611.08050.pdf【人体姿态估计2】Real-timeMulti-person2dposeesti

颜水成教授团队的，非官方代码：https://github.com/murdockhou/Single-Stage-Multi-person-Pose-Machinesarxivl论文https://arxiv.org/abs/1908.09220参见：Single-StageMulti-PersonPoseMachines_MatthewHsw的博客-CSDN博客针对多人pose这方面，主流的方

邀您加入我的知识星球「极智视界」，星球内有超多好玩的项目实战源码下载，链接：https://t.zsxq.com/0aiNxERDqWhole-Body、Multi-Person人体姿态估计增加了挑战，

GeometricFeaturesInformedMulti-personHuman-objectInteractionRecognitioninVideos解读摘要简介2.RelatedWork2.1图像中的HOI检测2.2视频中的HOI识别2.3HOI识别数据集2.4几何特征为HOI分析提供信息3.多人HOI数据集(MPHOI-72)4.Two-levelGeometricFeaturesIn

简介《CascadedPyramidNetworkforMulti-PersonPoseEstimation》，这是Face++旷世科技2017年取得COCOKeypointsChallenge冠军的文章，主要目的是解决inthewild场景下多人的姿态估计，即关键点回归。这里对这篇文章做一个简单的总结，如有理解不对的地方，欢迎指正！！文章的主要贡献是：重点内容1提出了一种金字塔型的串接模型，即C

该文章主要利用射频信号提取多人的呼吸信号。接收的射频信号为互相受到影响的多通道信号，对该射频信号分离出各自的呼吸信号，涉及对体动检测、信号的分离、身份匹配的处理方法，在该文章中实现了5人的呼吸信号解混，分离的呼吸信号和标准设备采集的呼吸信号相关性0.922，呼吸率计算误差0.034，以及13人21晚数据的分离并进行身份匹配，身份匹配的准确性达到95%。论文阅读思维导图：论文作者来自麻省理工学院-2

多人姿态估计的两种方式多人姿态估计存在的问题RMPE提出的方法总结由于是在PPT上编辑的，只能以图片复制过来，有问题的可以留言一起讨论。Lifeisawesome！

[论文阅读：姿态识别]IntegralKnowledgeDistillationforMulti-PersonPoseEstimation工作重点框架总览FeatureDistillationlogitDistillationStructureDistillation最终优化实验结果消融实验2020IEEESignalProcessingLetters在多人姿态估计中使用知识蒸馏https://i

openpose论文实现代码中文翻译Abstract我们提出了一种有效检测多人图像中的2D姿势的方法。该方法使用非参数表示，我们称之为部分亲和力字段（PAF），用于学习将图像中的身体部位与个体联系起来。该体系结构编码全局上下文，允许贪婪的自下而上解析步骤，无论图像中的人数多少，同时实现高精度和实时性能。架构旨在将学习关节点和关节点之间的连接融合起来，通过相同顺序的两个分支进行关联预测。1.Intr

文章目录AbstractIntroduction1.1RelatedWork2Approach2.1End-to-EndMulti-PersonPoseEstimation2.2KeypointAlignment(KPAlign)Module2.3RegularizationfromHeatmapLearning3Experiments3.1AblationExperiments3.1.1Base

一篇比较老的文章,CVPR2017的,链接地址概括论文采用了top-down的方法,即先检测出人,然后再坐单人pose检测.检测人的方法使用了faster-rcnn,单人pose方法是已reset结构为基础的网络.关于faster-rcnn我不是很了解而且网上介绍很多,略去不表,下面着重介绍pose检测这块.poseestimationpersonboxcropping.检测出来的框有大有小,为了

整理论文《End-to-EndMulti-PersonPoseEstimationwithTransformers》论文结构框架结构论文观点实现方法模型结构模型分析视觉特征编码器（VisualFeatureEncoder）姿态解码器（PoseDecoder）关节解码器（JointDecoder）损失函数（LossFunctions）对象关键点相似度损失（OKSloss）热图损失（Heatmaplo

姿态估计openpose系列算法解读姿态估计任务姿态估计任务首先需要检测出人体的各个关键点，将人体关键点进行拼接。任务的困难有，首先，对于关键点检测任务，需要处理遮挡的问题，在拼接的过程中，需要处理多人的情况，即不能将不同人的关键点进行拼接。标注数据信息COCO数据集提供17个关键点位置，openpose增加了一个关键点位置，即脖子处的关键点应用领域健身APP，安全检测等传统方法Top-down方

最近在阅读上交卢教授的关于行人骨架检测的一篇开源工作，特写此博以做备注。名称：RMPERegionalMulti-personPoseEstimation使用框架：Pytorch论文地址：https://arxiv.org/abs/1612.00137开源地址：https://github.com/MVIG-SJTU/AlphaPose/tree/pytorch模型组成Single-personP

该论文发表在2018年CVPR上，用于多人姿态估计的级联金字塔网络arxiv论文地址：https://arxiv.org/abs/1711.07319github代码：https://github.com/GengDavid/pytorch-cpn，https://github.com/chenyilun95/tf-cpn文档编辑参考：1、论文笔记（CPN）：CascadedPyramidNetw

本论文有提供代码https://github.com/CMU-Perceptual-Computing-Lab/caffe_rtpose，可运行。以下为本人对文章的理解，如果有错误欢迎讨论，如转载请标明出处。1。IntroductionPoseestimation的挑战：1〉图像中不知道多少人，在什么位置，什么尺度2〉人与人之间因接触，遮挡而变得复杂3〉实时性的要求，图像中人越多，计算复杂度越大。

TITLE:RealtimeMulti-Person2DPoseEstimationusingPartAffinityFieldsAUTHOR:ZheCao,TomasSimon,Shih-EnWei,YaserSheikhASSOCIATION:CMUFROM:arXiv:1611.08050CONTRIBUTIONSamethodformulti-personposeestimationisp

参考代码：lightweight-human-pose-estimation.pytorch1.概述导读：这篇文章是在OpenPose的基础上进行轻量化改进，从而使得整体网络能在Intel的CPU上达到实时的运行效果。对此文章的算法也是相当轻量级的只有410w的参数90亿的浮点运算，是含有两阶段优化OpenPose的15%，但是其AP（AveragePrecision）只降低了1个点。自然文章对原

RMPE:RegionalMulti-PersonPoseEstimationICCV2017CodeisbasedCaffeandTorch!https://github.com/MVIG-SJTU/RMPEhttps://github.com/MVIG-SJTU/AlphaPose多人人体姿态估计本文解决思路：多人检测+单人人体姿态估计Faster-RCNN+SPPEStackedHourgl

PandaNet:Anchor-BasedSingle-ShotMulti-Person3DPoseEstimation题目：《PandaNet：基于锚点的单镜头多人3D姿态估计》作者：来源：CVPR2020研究方向：单目-多人姿态识别-有监督-多任务已有研究：1、对现有3DHPE的SOTA方法分为两种：①自顶向下：设定识别一个人的边界框，针对每个人得到单人的3D姿态。（缺点：依赖于检测边框，并且

有兴趣的朋友可以相互讨论技术标记：公式（2）、（3）、（4）、（5）、（6）不太理解论文：https://arxiv.org/abs/1612.00137官方代码：https://github.com/MVIG-SJTU/AlphaPose上海交大的AlphaPose介绍：http://mvig.sjtu.edu.cn/research/alphapose.html总结该论文指出，定位和识别中不可

姿态估计模型AlphoPose模型的论文或者论文V3版ICCV2017接收，上海交大和腾讯优图的论文代码，基于pytorch或者Tensorflow如果想了解姿态估计的简单概述，可以点击我的另一篇综述文章RMPE:RegionalMulti-PersonPoseEstimationAbstract自然场景的多人姿态估计是一个极大的挑战。虽然最好的人类检测器已经有很好的效果了，但是，小的定位、识别的

概述论文地址：https://arxiv.org/abs/1612.00137v3项目主页：RMPE:RegionalMulti-personPoseEstimation这篇论文是上海交大和腾讯优图的论文，被ICCV2017接收。它对于多人姿态估计的方法采用传统的自顶向下的方法，即先检测人，再识别人体姿态。检测使用的是SSD-512，识别人体姿态使用的是state-of-the-art的Stack

介绍文章指出现有的方法不能直接解决posetrack问题，因为这个问题包括两个问题，一个pose估计，一个是track本文提出一个新颖的方法和一个数据集剑指同时解决这个两个子问题，方法有几个关键点用一个时空graph，表达视频中姿态估计通过求解一个整数线性规划问题（integerlinearprogram）去把这个图分割成子图，每个子图仅含有单个人的pose时空轨迹这个问题还没有定量的评价数据集，

CPU上的实时2D多人姿势估计：轻量级OpenPose摘要在这项工作中，我们调整了多人姿势估计架构以在边缘设备上使用它。我们遵循COCO2016关键点挑战赛的获胜者OpenPose[3]的自下而上的方法，因为它具有良好的质量和对框架内人数的鲁棒性。借助本文中提到的的网络设计和优化的后处理代码，完整的解决方案在Intel®NUC6i7KYBminiPC上以每秒28帧(fps)的速度运行，在Corei

OpenPose：使用部分亲和场的实时多人2D姿势估计摘要实时多人2D姿势估计是使机器能够理解图像和视频中人的关键组成部分。在这项工作中，我们提出了一种实时方法来检测图像中多人的2D姿势。所提出的方法使用非参数表示，我们将其称为部分关联场(PAF)，以学习将身体部位与图像中的个体相关联。无论图像中有多少人，这种自下而上的系统都能实现高精度和实时性能。在以前的工作中，PAF和身体部位位置估计在训练阶

首先附上论文地址：https://arxiv.org/pdf/1612.00137.pdf作者：上海交大卢策吾老师组AlphaPose项目地址：https://github.com/MVIG-SJTU/AlphaPose亮点：提出了一种regionalmulti-personposeestimation（RMPE）框架，框架包括三个部分效果：最新的AlphaPose在MPII数据集上已经能够达到8

AlphaPose:Whole-BodyRegionalMulti-PersonPoseEstimationandTrackinginReal-Time论文信息背景AlphaPose全身的多人姿态估计对称积分回归SymmetricIntegralKeypointsRegression先来看第（1）个问题再来看第（2）个问题poseNMS多域Knowledgedistillation多人跟踪Mult

增强通道和空间信息的多人姿态估计CVPR2019论文链接代码貌似尚未公开摘要：融合多尺度特征图给姿态估计带来了重大进展，但很少有方法关注增强特征图的通道和空间信息。本文提出两个模块来增强多人姿态估计信息：①ChannelShuffleModule（CSM）对不同层次的特征图进行channelshuffle，促进金字塔特征图间cross-channel信息通信。②Spatial,Channel-wi

papercodehomevideo目录papercodehomevideoStep1.创建新的nvidia-dockercontainer名为MotionCatchStep2.在此docker下安装anaconda3出现问题1：提示网络连接失败CheckingInternetconnectivity,PleasemakesureyouareconnectedtotheinternetStep3.

CPN和StackedHourglassnetwork一样都是top-down形式也就是需要先将一个个人先检测出来，在经过CPN来一个个人来进行姿态估计。论文地址：https://arxiv.org/pdf/1711.07319.pdfhttps://arxiv.org/pdf/1711.07319.pdf代码地址：https://github.com/GengDavid/pytorch-cpnh

承接上一篇博文：A2020HumanPoseEstimationReview（Part1：2DSinglePerson）目录1HumanPoseEstimation22DSingle-PersonPoseEstimation32DTop-DownMulti-PersonPoseEstimation3.1Top-Down3.2MaskRCNN3.3CascadedPyramidNetworkforM

论文地址：https://posetrack.net/workshops/iccv2017/pdfs/ML_Lab.pdf这篇文章，初见简直惊艳以及钦佩，加上参考文献才4面纸，效果竟然拿到了2017年ICCVChallenge1:Single-FramePersonPoseEstimation的第一名。ps：先简单看下论文说的什么。本文给我最大的启示是：人体姿势估计和语义分割之间有着紧密联系。一些

文章目录前言总览一、Introduction二、RelatedWorkBlendSkinning（混合蒙皮）Blendshapes（混合变形）Learningposeandshapemodels（学习姿势和形状模型。）三、ModelFormulation四、Training(左)SMPL模型(橙色)适合groundtruth3D网格(灰色)。(右)Unity5.0游戏引擎屏幕截图，可实时显示CAE

Abstract在本工作中，我们调整了多人姿态估计体系结构，以便在边缘设备上使用它。我们遵循2016年COCO数据集关节点挑战获胜者OpenPose的自下而上的方法。通过提出的网络设计和优化后处理代码，完整的解决方案在英特尔®NUC6i7KYBminiPC上以每秒28帧(FPS)运行，在核心i7-6850KCPU上以26个FPS运行。该网络模型具有4.1M参数和90亿个浮点运算(GFLOPs)复杂

highlights：①证明只有PAFs的优化有助于系统的性能和准确性。（之前的工作认为PAFs和bodypartlocationestimation共同作用才能促进系统优化）②提出第一个组合body和foot的detector（基于一个内部注释的脚部数据集，已开源）③本文提出的组合检测器不仅减少了推理时间而且保持了每个部件的准确性④发布了openpose这一开源系统Humanposeestima

论文原文：https://arxiv.org/pdf/1612.00137.pdfAlphaPose0Abstract复杂环境中的多人姿态检测是非常具有挑战性的。现在最好的人体检测算法虽然已经得到了很好的效果，但是依然存在一些错误，这些错误会导致单人检测任务single-personposeestimator（SPPE）失败，尤其是那些十分依赖人体框检测结果的。这里应该是描述的自顶向下的检测技术，

《CascadedPyramidNetworkforMulti-PersonPoseEstimation》机构：Face++源码：https://github.com/chenyilun95/tf-cpn效果：COCO17关键点冠军文章目录1中心思想2CPN结构3设计理念4Loss5效果1中心思想 1）面对问题：  在多人姿态估计中，有诸多具备挑战性问题，如关键点遮挡，关键点不可见，复杂背景等；文

摘要  我们提出了一个方法，能够在一张图中高效的识别出多人的2D姿态。该方法运用了非参数表示（non-parametricrepresentation），我们称之为部分亲和域（PAFs：PartAffinituFields）,用它来学习怎样将身体部分和个体联系起来。这个结构编码了全局信息，并允许一个贪婪的从底向上的解析步骤，这在实现实时性能时，有着高度的精准且无须考虑图像中人的数量。这个结构被设计

概述这是一篇关于肢体识别的非常经典的文章，本实验运用了caffe深度学习框架（http://caffe.berkeleyvision.org），运用了MPII(http://human-pose.mpi-inf.mpg.de人体姿态数据集)和COCO（http://cocodataset.org微软发布的一个大型图像数据集）这些数据集可以帮助进行2D人体姿态评估。为什么要着重来讲这篇论文，因为当时

论文地址：CPN论文总结  本文方法名为CPN，是个top-down的检测方法，即先用检测器得到人类的boundingbox，再使用CPN来检测关键点。CPN是2017年COCO关键点检测的冠军算法。  如名字所言，是一个级联的金字塔网络。CPN由三个子网络组成：Backbone、GlobalNet、RefineNet。其中Backbone用于提取特征，GlobalNet用于融合不同尺度的特征（金

《4DAssociationGraphforRealtimeMulti-personMotionCaptureUsingMultipleVideoCameras》论文解读Abstract1.Introduction2.Overview3.4DAssociationGraph3.1.ParsingEdgesandMatchingEdges3.2.TrackingEdges3.3.ObjectiveF

参考代码：openpose1.概述导读：这篇文章提出了一种bottom-up的2D图像多人关键点（躯干/手脚/面部，使用掩膜控制训练整合数据集）检测算法，这样使得整体网络的运算时间并不与图像中人数呈现显著相关的关系。在这篇文章中提出了PAFs（PartAffinityFileds）（用于去编码关键点的位置与方向信息），用于去建模每个部位之间的相互关系，并且文章发现同时去优化PAFs和人体的部位并不

RealtimeMulti-Person2DPoseEstimationusingPartAffinityFieldsCVPR2017Code:https://github.com/ZheC/Realtime_Multi-Person_Pose_Estimation效果演示视频：https://youtu.be/pW6nZXeWlGM如果可以看youtu的话多人姿态实时估计，这里主要亮点还是多人实

RealtimeMulti-Person2DPoseEstimationusingPartAffinityFields（曹哲）作者主页：http://people.eecs.berkeley.edu/~zhecao/#top，论文的贡献还是多人实时和效果文章代码总共分为两条线第一条线：求所有的关键点（头，肩膀，手肘，手腕...）1）一共两个cnn，第一个cnn的输入是原图，输出是热图（每一个热图包

论文简介RealtimeMulti-Person2DPoseEstimationusingPartAffinityFields∗这篇论文用了一种不一样方法进行姿态估计，他的准确率现在可能感觉不高，后期我们会讲一下face++最新的夺冠coco比赛的论文，不过它提供了一种新的思路。论文原文地址：http://download.csdn.net/download/lin_xiaoyi/10163688

RealtimeMulti-Person2DPoseEstimationusingPartAffinityFields1、主要成果2、算法细节2.1、算法原理2.2、实现细节2.2.1、网络结构2.2.2、损失函数2.2.3、GT置信图生成2.2.4、PAFs生成2.2.5、PAFs多人分析2.2.6、结果3、总结4、感想1、主要成果提出将人体部位与个体联系起来的非参数化方法—PAFsPAFsPA