OpenPose 升级，CMU提出首个单网络全人体姿态估计网络，速度大幅提高

加入极市专业CV交流群，与6000+来自腾讯，华为，百度，北大，清华，中科院等名企名校视觉开发者互动交流！更有机会与李开复老师等大牛群内互动！

同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。关注 极市平台 公众号 ，回复 加群，立刻申请入群~

本文转自CSDN，作者授权转载，不得二次转载

作者：INDEMIND

原文链接：https://blog.csdn.net/weixin_43922139/article/details/93203536

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://arxiv.org/pdf/1909.13423v1.pdf

代码地址：

https://github.com/CMU-Perceptual-Computing-Lab/openpose_train

-End-

*延伸阅读

• CVPR2019|浙大CAD实验室：快速鲁棒的多视角多人三维姿态估计新方法（含直播回放）
  

• 40万现金大奖+免费算力+英特尔神经棒，极市开发者榜单邀你来战！

• CVPR2019 | 6D目标姿态估计，李飞飞夫妇等提出DenseFusion

添加极市小助手微信（ID : cv-mart），备注：研究方向-姓名-学校/公司-城市（如：目标检测-小极-北大-深圳），即可申请加入目标检测、目标跟踪、人脸、工业检测、医学影像、三维&SLAM、图像分割等极市技术交流群，更有每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流，一起来让思想之光照的更远吧~

△长按添加极市小助手

△长按关注极市平台

觉得有用麻烦给个在看啦~