تقدير وضعية متعددة الأشخاص في الوقت الفعلي باستخدام حقول الارتباط الجزئي

نقدم نهجًا للكشف الفعال عن وضعية二维姿态 في图像中多人的2D位置. هذا النهج使用我们称之为部件亲和场（Part Affinity Fields، PAFs）的非参数表示来学习将图像中的身体部位与个人关联起来. 架构编码了全局上下文，允许自下而上的贪婪解析步骤，在实现实时性能的同时保持高精度，无论图像中的人数多少. 该架构设计为通过同一顺序预测过程的两个分支共同学习部位位置及其关联. 我们的方法在首届COCO 2016关键点挑战赛中获得第一名，并且在MPII多人基准测试中，无论是在性能还是效率上都显著超过了先前的最先进结果.为了更准确地符合阿拉伯语的表达习惯，以下是优化后的翻译：نقدم نهجًا فعّالًا لاكتشاف وضعية الأشخاص المتعددين ثنائية الأبعاد في الصورة. يستخدم هذا النهج تمثيلًا غير معلمي، والذي نطلق عليه اسم حقول ترابط الأجزاء (Part Affinity Fields، PAFs)، لتعلم ربط أجزاء الجسم بالأشخاص في الصورة. يتيح الترميز السياقي الشامل خطوة تحليلية طماعة من الأسفل إلى الأعلى، مما يحافظ على الدقة العالية ويحقق أداءً في الوقت الحقيقي بغض النظر عن عدد الأشخاص في الصورة. تم تصميم هذه الهندسة المعمارية لتعلم مواقع الأجزاء وربطها معًا عبر فرعين من نفس عملية التنبؤ التسلسلي. حازت طريقتنا على المركز الأول في تحدي نقاط المفتاح الأول لكوكو (COCO) عام 2016، كما أنها تتفوق بشكل كبير على أفضل النتائج السابقة في معيار MPII للأشخاص المتعددين، سواء من حيث الأداء أو الكفاءة.再次优化以提高流畅性和正式度：نقدم نهجًا فعّالًا لاكتشاف وضعيات الأجسام ثنائية الأبعاد للأشخاص المتعددين في الصور. يستخدم هذا النهج تمثيلًا غير معلمي، والذي نسميه "حقول ترابط الأجزاء" (Part Affinity Fields - PAFs)، لتعلم كيفية ربط أجزاء الجسم بالأشخاص داخل الصورة. يتضمن الهيكل المعماري ترميز السياق العالمي، مما يسمح بخطوة تحليلية طماعة من الأسفل إلى الأعلى تحافظ على الدقة العالية وتAchieve أداءً فوريًا بغض النظر عن عدد الأشخاص存在于图像中. تم تصميم العمارة لتعلم مواقع الأجزاء وربطها معًا من خلال فرعين لنفس العملية التنبؤية التسلسلية. حققت طريقتنا المرتبة الأولى في تحدي نقاط المفتاح الأول لكوكو (COCO) عام 2016 وأظهرت تفوقًا كبيرًا على أفضل النتائج السابقة في معيار MPII للأشخاص المتعددين، سواء من حيث الجودة أو الكفاءة.最终版本：نقدم نهجًا فعّالًا لاكتشاف وضعيات الأجسام ثنائية الأبعاد للأشخاص المتعددين في الصور. يستخدم هذا النهج تمثيلًا غير معلمي، والذي نسميه "حقول ترابط الأجزاء" (Part Affinity Fields - PAFs)، لتعلم كيفية ربط أجزاء الجسم بالأشخاص داخل الصورة. يتضمن الهيكل المعماري ترميز السياق العالمي، مما يسمح بخطوة تحليلية طماعة من الأسفل إلى الأعلى تحافظ على الدقة العالية وتAchieve أداءً فوريًا بغض النظر عن عدد الأشخاص存在于图像中. تم تصميم العمارة لتعلم مواقع الأجزاء وربطها معًا من خلال فرعين لنفس العملية التنبؤية التسلسلية. حققت طريقتنا المرتبة الأولى في تحدي نقاط المفتاح الأول لكوكو (COCO) عام 2016 وأظهرت تفوقًا كبيرًا على أفضل النتائج السابقة في معيار MPII للأشخاص المتعددين، سواء من حيث الجودة أو الكفاءة.修正后的最终版：نقدم نهجاً فعالاً لاكتشاف وضعيات الأجسام ثنائية البُعد للأشخاص المتعددين في الصور. يستخدم هذا النهج تمثيلاً غير معلَّمي، والذي نسميه "حقول ارتباطات القطع" (Part Affinity Fields - PAFs)، لتعلم كيفية ربط أجزاء الجسم بالأشخاص داخل الصورة. يتضمن الهيكل المعماري ترميز السياق العالمي، مما يسمح بخطوة تحليلية طموحة من الأسفل إلى أعلى تحافظ على الدقة العالية وتتحقق من أداءٍ فوريٍّ بغض النظر عن عدد الأشخاص الموجودين في الصورة. تم تصميم العمارة لتكون قادرة على تعليم مواقع القطع وربطها مع بعضها البعض عبر فرعين لنفس العملية التنبؤية التسلسلية. حققت طريقتنا المركز الأول في تحدي نقاط المفتاح الأول لكوكو (COCO) عام 2016 وأظهرت تفوقاً كبيراً على أفضل النتائج السابقة ضمن معيار MPII للأشخاص المتعددين فيما يتعلق بالأداء والكفاءة.