《表1 单人人体姿态估计方法对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的人体姿态估计方法综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

目前的人体姿态估计方法基本上是基于深度学习来研究的，其中单人2D人体姿态估计的相关算法是其他姿态估计方法的基础和核心。在具体的网络模型构建上，检测人体关节点2D坐标的一个关键问题就是如何使网络学习到各部件的纹理特征信息和部件间的语义结构信息，并用端对端的方式进行训练。Coordinate Net采用多分辨率提取行图像特征和多阶段回归关节点坐标等方法，学习到了关节点丰富的纹理信息，得到了一定精度的位置坐标，但是这种直接回归坐标的方式没有很好地学习到人体的结构信息。Heatmap Net在借鉴了Coordinate Net的同时，通过构建概率图模型或者利用多尺度感受野学习到了重要的关节点结构信息，并结合多阶段的网络级联和中继训练等trick得到了较高的关节点检测精度。近期的大部分方法都是基于heatmap的检测模型，为了得到更好的效果，有一些方法尝试了检测与回归的混合模型，例如将Heatmap Net和Coordinate Net的结构进行组合，进行交互式和端到端的训练，但是为了得到质量较高的heatmap，模型往往采用很大的卷积核以及很深的网络，导致效率难以提升，同时朴素的卷积操作会得到大量噪声特征，这些可能需要借助于机器学习的其他方法加以解决。另外在多人2D人体姿态估计中提出了一些改进的单人姿态检测器，但是本质上还是基于上述单人姿态估计的相关方法，相关举例的比照如表1所示。