摘要
尽管在设计过程中未引入特定领域知识，普通的视觉Transformer已在视觉识别任务中展现出卓越的性能。然而，针对此类简单结构在姿态估计任务中潜力的研究仍十分有限。本文通过一个名为ViTPose的简单基准模型，从多个方面系统揭示了普通视觉Transformer在姿态估计任务中的惊人能力，包括模型结构的简洁性、模型规模的可扩展性、训练范式的灵活性以及模型间知识的可迁移性。具体而言，ViTPose采用普通且非分层的视觉Transformer作为主干网络，用于提取目标人体实例的特征，并搭配一个轻量级解码器完成姿态估计。得益于Transformer固有的可扩展性与高度并行性，ViTPose可从约1亿参数规模扩展至10亿参数级别，显著提升了模型容量，同时在吞吐量与性能之间实现了新的帕累托前沿（Pareto front）。此外，ViTPose在注意力机制类型、输入分辨率、预训练与微调策略，以及多姿态任务处理方面均表现出极强的灵活性。我们还通过实验证明，大型ViTPose模型的知识可通过一种简单的“知识令牌”（knowledge token）高效迁移至小型模型中，实现性能的显著提升。实验结果表明，我们的基础版ViTPose模型在具有挑战性的MS COCO关键点检测基准上超越了现有代表性方法，而最大规模的模型则达到了新的最先进水平（state-of-the-art）。相关代码与模型已开源，地址为：https://github.com/ViTAE-Transformer/ViTPose。