介绍

CVPR 2014 - 2D Human Pose Estimation: New Benchmark and State of the Art Analysis

2D的人体姿态估计数据库，元老级别，在标注规范化和评价系统完善方面进行突破

本文只关注它所做的标注内容以及评价系统

标注内容

主要的人体关节点的坐标和可见性，被遮挡的用红色标记
眼睛、鼻子的坐标
头部的边界框

主要的人体部分的遮挡程度，被遮挡的用实心矩形表示

头部和躯干的三维视角，红色在前

注意标注的左右是指图中人的左右，而非图像的左右

实验协议和评估指标

约定：

在测试时，人体的大概位置和尺度是已知的（还没理解）
排除多人互相接近的情况

这些简化对于数据集的快速采用是必要的，因为当前的大多数方法不处理多个人员的姿态估计，也不搜索人员的位置和比例。

指标：

PCP 如果估计的主体段端点距离它们的真实位置在ground-truth段长度的50%以内，则认为主体部分是正确定位的。
PCPm
PCK Percentage of Correct Keypoints 测量身体关节定位的准确性，当下这个指标比较主流

计算检测的关键点与其对应的groundtruth间的归一化距离小于设定阈值的比例(the percentage of detections that fall within a normalized distance of the ground truth).

FLIC 中是以躯干直径(torso size) 作为归一化参考.
MPII （本论文）中是以头部长度(head length) 作为归一化参考，即 PCKh.

代码和介绍参考关键点估计之 PCK, PCKh, PDJ 评价度量

对前沿方法分析

分析了

两种全身的方法：flexible mixture of parts (FMP) 和 pictorial structures (PS)(和本文同源，都是他们的工作)

两种上半身的方法：multimodal decomposable models (MODEC) 当时在FLIC中表现最好和 Armlets 在Armlets dataset表现最好

除了整数据集评价之外，关注5个因素对结果的影响：部分遮挡，前景透视，身体的姿势，视点，人的活动

定义了一个人的标注为 $L=\{L^{pose},L^{view},L^{vis}\}$

$L^{pose}=\{l_i,i=1,\dots,N\}$ 是关节坐标

$L^{view}=\{\alpha_1,\alpha_2,\alpha_3\}$ 是欧拉角表示的躯干旋转

$L^{vis}=\{(\rho_i,\theta_i),i=1,\dots,N\}$ 身体各部分的可见性， $\rho_i\in\{0,1\}$ 是遮挡标签， $\theta_i\in\{0,1\}$ 是截断标签

定义了复杂度测量

姿态的复杂度定义为和整个集合平均姿态的不同程度： $m_{pose}(L) = \prod _{(i,j)\in E}p_{ps}(l_i|l_j)$ (这个概率分布还没看懂)

透视收缩程度： $m_f(L)=\sum_{i=1}^N|d(l_i)-m_i|/m_i$ 其中 $d(l_i)$ 是身体某部位的长度， $m_i$ 是该部位在全数据上的平均长度

视点复杂度由与正面视点的偏差来衡量: $m_v(L)=\sum_{i=1}^{3}\alpha_i$

遮挡和截断的数量与遮挡和截断的身体部位数量对应: $m_{occ}=\sum_{i=1}^N\rho_i$ ， $m_{t}=\sum_{i=1}^N\tau_i$

把横轴看成各种困难的程度，纵轴是表现，可以看出以下规律

对表现影响最大的是姿态复杂度

然后是视点复杂度

第三的是遮挡

各部位长度和截断的影响较少

在上半身估计的情况下，由于两个因素，随着截断量的增加，性能甚至略有提高。

作为截断，如果更有可能为下半身，这些方法遭受较少的截断，也截断体位是偏向正面的观点，这些方法更适合。我们现在更详细地讨论和分析每个因素

对姿态进行聚类，然后选择了50类，根据姿态复杂度排序，得到上图，随着姿态变得复杂，性能下降

其它几种分析原理差不多

MPII Human Pose相关推荐

深度学习 - MPII Human Pose Database数据集下载
原数据集下载网页:http://human-pose.mpi-inf.mpg.de/#download 转载于:https://blog.51cto.com/396732/2072239
Human Pose Estimation姿态估计调研
介绍姿态估计的目标是在RGB图像或视频中描绘出人体的形状,这是一种多方面任务,其中包含了目标检测.姿态估计.分割等等.有些需要在非水平表面进行定位的应用可能也会用到姿态估计,例如图形.增强现实或者人 ...
Survey on Human pose estimation
关于姿态估计的一些总结,GitHub上搬的 Papers 2D Pose estimation Learning Human Pose Estimation Features with Convolu ...
论文阅读 Hourglass:Stacked Hourglass Networks for Human Pose Estimation
摘要本文介绍了一种新的卷积网络结构.为了最好的捕捉与身体相关的各种空间关系,所有尺度的特征都被处理和整合.我们展示了重复的自底向上.自顶向下的处理过程与中间监督结构一起使用是如何有效改善网络性能 ...
SimCC: a Simple Coordinate Classification Perspective for Human Pose Estimation 阅读笔记
SimCC:一种用于人体姿态估计的简单坐标分类方法 ECCV 2022 论文链接代码链接摘要: 近几年,高性能的2D热图法在人体姿态估计(HPE)领域独领风骚.但2D热图法中长期存在的量化误差导致 ...
2D/3D人体姿态估计（2D/3D Human Pose Estimation）
1. 基本概念算法改进入口网络设计特征流损失函数数据集的重要性:只要有一个好的.针对性的数据集,问题都可以解决过集成新一代AutoML技术,可降低算法试错成本人体姿态估计(Human P ...
【HRNet】《Deep High-Resolution Representation Learning for Human Pose Estimation》
CVPR-2019 代码:https://github.com/leoxiaobin/deep-high-resolution-net.pytorch 文章目录 1 Background and Mo ...
（Stacked Hourglass Networks for Human Pose Estimation）用于人体姿势估计的堆叠沙漏网络
摘要 This work introduces( 提出) a novel(新奇的) convolutional network architecture for the task of human p ...
Human Pose Estimation人体姿态估计综述调研
给定一幅图像或一段视频,人体姿态估计就是去恢复其中人体关节点位置的过程. 数据集 LSP 地址:http://sam.johnson.io/research/lsp.htm 样本数:2K 关节点个数: ...

MPII Human Pose

介绍

标注内容

实验协议和评估指标

对前沿方法分析

MPII Human Pose相关推荐

最新文章

热门文章