Associative Embedding，一种有监督的卷积神经网络用于检测与分组任务中采取的新方法。

Distribution-aware Maximum Relocalization是在基于分布假设的情况下对最大激活值进行重定位。

Structured Pose Representation (SPR)将人体实例和身体关节的位置信息进行统一。人体关节分级表示。

​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场（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。​............

早期一些自顶向下的深度学习方法用神经网络直接预测人体关键点的 2D 坐标 [1, 2, 3]。DeepPose [1] 是这类方法的经典代表。DeepPose 采用级联的神经网络来预测人体各个关键点的相对坐标。每一个阶段都拿上一阶段的输出坐标作为输入，并进一步预测更为准确的坐标位置。最终，将预测得到的归一化的相对坐标转换为绝对坐标。Alexander Toshev和Christian Szeged

参考1、3D 人体姿态估计简述 - 知乎2、3D人体姿态估计（介绍及论文归纳）0 前言3D Human Pose Estimation（以下简称 3D HPE ）的目标是在三维空间中估计人体关键点的位置。3D HPE 的应用非常广泛，包括人机交互、运动分析、康复训练等，它也可以为其他计算机视觉任务（例如行为识别）提供 skeleton 等方面的信息。关于人体的表示一般有两种方式：第一种以骨架的形式

Stacked Hourglass Networks for Human Pose Estimation中文翻译An Intuitive Explanation of Convolutional Neural Networks – the data science blog为了进行人体姿态估计，我们使用一种特殊类型的全卷积网络，称为hourglass网络。网络的编解码器结构使它看起来像一个沙漏，因

单目视觉深度估计测距的前生今世自动驾驶中单目摄像头检测输出3-D边界框的方法一览CVPR2019论文解读：单眼提升2D检测到6D姿势和度量形状ROI-10D: Monocular Lifting of 2D Detection to 6D Pose and Metric Shape本文提供了基于端到端单目3D目标检测和度量形状检索的深度学习方法。为了在3D中提升2D检...

人体姿态估计的过去，现在，未来https://zhuanlan.zhihu.com/p/85506259前言因为在ICIP2019上面和两位老师搞了一个关于人体姿态估计以及动作行为的tutorial，所以最近整理了蛮多人体姿态估计方面的文章。所以做了一个总结和梳理，希望能抛砖引玉。问题人体姿态估计是计算机视觉中一个很基础的问题。从名字的角度来看，可以理解为对“人体”的姿态（关键...

提出了一种新的Bottom-up的人体姿态估计方法HigherHRNet，该方法利用高分辨率特征金字塔学习尺度感知表示。该方法在训练方面具有多分辨率监督，在推理方面具有多分辨率聚合功能，能够较好地解决自底向上多人姿态估计中的尺度变化挑战，并能更精确地定位关键点，特别是对小人物。HigherHRNet中的特征金字塔由HRNet的特征映射输出和通过转置卷积的上采样高分辨率输出组成。.........