摘要
人体姿态估计在许多计算机视觉任务中发挥着重要作用，几十年来一直受到广泛关注。然而，由于姿态、光照、遮挡和低分辨率等因素引起的复杂外观变化，这一问题仍然具有挑战性。利用深度卷积神经网络提供的高层次语义信息是一种有效的方法，可以提高人体姿态估计的准确性。本文提出了一种新颖的级联特征聚合（Cascade Feature Aggregation, CFA）方法，该方法通过级联多个沙漏网络实现鲁棒的人体姿态估计。来自不同阶段的特征被聚合以获取丰富的上下文信息，从而增强对姿态、部分遮挡和低分辨率的鲁棒性。此外，不同阶段的结果被融合以进一步提高定位精度。在MPII数据集和LIP数据集上的广泛实验表明，所提出的CFA方法优于现有最先进方法，并在MPII基准测试中取得了最佳性能。