摘要
密集场景中人物相互遮挡，使得区分个体并准确定位其姿态关键点变得极具挑战性。本文提出了一种名为上下文实例解耦（Contextual Instance Decoupling, CID）的新方法，构建了一种全新的多人姿态估计框架。与以往依赖人体边界框进行空间区分的策略不同，CID将图像中的每个人物解耦为多个具有实例感知能力的特征图，每个特征图专门用于推断特定个体的关键点位置。相较于边界框检测，CID具有可微性，且对检测误差具有更强的鲁棒性。通过将不同个体映射至独立的特征图，该方法能够有效隔离其他人物带来的干扰，并在超出边界框尺寸的更大尺度上挖掘上下文线索。实验结果表明，CID在密集场景下的姿态估计基准测试中，无论在精度还是效率方面均优于现有方法。例如，在CrowdPose数据集上，CID取得了71.3%的AP（Average Precision），较近期的单阶段方法DEKR提升5.6%，较自底向上的CenterAttention提升3.7%，较自顶向下的JC-SPPE提升5.3%。这一优势在广泛使用的COCO基准上同样得以保持。