【位姿估计】百度-- Graph-PCNN适配多种不同的基础网络，且大幅提升定位精度！

论文地址： https://arxiv.org/pdf/2007.10599.pdf

代码：

来源： 百度

论文名称：Graph-PCNN Two Stage Human Pose Estimation with Graph Pose Refinement

原文作者：Jian Wang

内容提要

目前，大多人体姿态估计的方法是基于热力图回归的。直接解码热力图，得到关键点的最终坐标。在本文中，我们的目标是找到一种更好的方法来获得更准确的定位结果。我们主要提出了两点改进建议：1)使用不同的特征和方法进行粗略和准确的定位，2)考虑关键点之间的关系。具体地来说，提出了一个基于图结构和模型不可知的两阶段框架，称为Graph-PCNN，在原始的热力图回归网络上添加了一个定位子网和一个图结构姿态优化模块。在第一阶段，利用热力图回归网络得到一个粗略的定位结果，并采样一组建议关键点，称为引导点。第二阶段，通过定位子网对每个引导点提取不同的视觉特征。通过图结构位姿优化模块，探索引导点之间的关系，得到更准确的定位结果。实验结果表明，将Graph-PCNN应用于多种不同的基础网络中，可以大幅度提高性能。在COCO test-dev集合上，新提出最优模型的AP可以得到76.8%，性能SOTA。

主要框架及实验结果

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请加上文微信联系删除。