|
昨天，曾经开源OpenPose的卡内基梅隆大学（CMU）公布了ICCV 2019 论文 Single-Network Whole-Body Pose Estimation，提出一种在单一网络实现全人体姿态估计的算法，相对OpenPose大幅提高了速度。 如下图： 在OpenPose只能达到帧率1.6 fps的图像上，该文提出的算法运行帧率可达到13.2 fps，且精度还有改进。 该文作者信息： 作者来自卡内基梅隆大学、RetailNext公司、Facebook AI 研究院。 所谓全人体姿态估计，即对人体躯干、人脸、手部都进行姿态估计，这可以通过先检测人体躯干关键点，然后再针对人脸和手部进行单独的关键点定位实现，这也是OpenPose的做法。 但这种方法需要多个姿态估计网络，速度并不快。 作者希望在OpenPose算法框架下，使用单一网络实现全人体的姿态估计。 下图为该文提出算法流程图： 作者是在论文OpenPose: realtime multi-person 2D pose estimation using Part Affinity Fields 基础上进行了改进，将原本人脸、手部 Part Affinity Fields直接合并进入人体的Part Affinity Fields， 进行多任务学习，实现上述功能。 作者提出的算法在人体Body-foot 部位数据集与OpenPose的精度比较： 作者提出的算法在人脸数据集与OpenPose的精度比较： 作者提出的算法在手部数据集与OpenPose的精度比较： 可见，该文提出的算法相比OpenPose精度相当，或有小幅提高。 算法运行速度的比较： 可见该文提出的算法随着图像中人数的增加，运行时间不变，而OpenPose则随着人数线性增长，该文提出的算法在多人全人体姿态估计任务上是OpenPose速度的N倍，N为图像中人数。 论文地址： https:///pdf/1909.13423v1.pdf 代码地址： https://github.com/CMU-Perceptual-Computing-Lab/openpose_train |
|
|
