SMPR: Single-Stage Multi-Person Pose Regression

Bestehende Methoden zur Mehrpersonen-Pose-Schätzung lassen sich grob in zweistufige Ansätze (top-down und bottom-up) und einstufige Ansätze einteilen. Zwei-stufige Verfahren leiden entweder unter hohem rechnerischem Aufwand aufgrund zusätzlicher Personen-Detektoren oder gruppieren die Schlüsselpunkte heuristisch, nachdem alle instanzfreien Schlüsselpunkte vorhergesagt wurden. Kürzlich vorgestellte einstufige Methoden verzichten auf diese beiden zusätzlichen Stufen, erreichen jedoch eine geringere Leistung als die neuesten bottom-up Ansätze. In dieser Arbeit wird ein neuartiger einstufiger Ansatz zur Mehrpersonen-Pose-Regression vorgestellt, der als SMPR (Single-Stage Multi-Person Pose Regression) bezeichnet wird. Er folgt dem Paradigma der dichten Vorhersage und erzeugt instanzbewusste Schlüsselpunkte von jeder Position aus. Neben der Merkmalsaggregation werden verbesserte Strategien zur Definition positiver Pose-Hypothesen für das Training vorgestellt, die alle eine entscheidende Rolle bei der dichten Pose-Schätzung spielen. Das Netzwerk lernt zudem die Scores der geschätzten Poses. Die Pose-Scoring-Strategie verbessert die Schätzung weiter, indem sie während der Non-Maximum-Suppression (NMS) vorzugsweise hochwertige Poses priorisiert. Wir zeigen, dass unsere Methode nicht nur bestehende einstufige Ansätze übertrifft, sondern auch mit den neuesten bottom-up Methoden konkurrieren kann, erreicht 70,2 AP und 77,5 AP75 auf dem COCO test-dev Pose-Benchmark. Der Quellcode ist unter https://github.com/cmdi-dlut/SMPR verfügbar.