Réseaux de Partition Générative pour l'Estimation de la Posture Multi-Personne

Ce travail propose un nouveau réseau de partition générative (Generative Partition Network, GPN) pour résoudre le problème complexe de l'estimation de la posture de plusieurs personnes. Contrairement aux modèles existants qui sont soit entièrement descendants (top-down) soit ascendants (bottom-up), le GPN introduit une stratégie novatrice : il génère des partitions pour plusieurs personnes à partir de leurs candidats articulaires globaux et infère simultanément les configurations articulaires spécifiques à chaque instance. Le GPN se distingue par sa faible complexité et sa haute précision dans la détection et la réorganisation des articulations. Plus précisément, le GPN conçoit un modèle génératif qui effectue une seule passe avant pour générer efficacement des détections robustes de personnes avec des partitions articulaires, en s'appuyant sur des régressions denses à partir de candidats articulaires globaux dans un espace d'embedding paramétré par les centroïdes des personnes. De plus, le GPN formule la procédure d'inférence pour les configurations articulaires des postures humaines comme un problème de partition de graphe, et réalise une optimisation locale pour chaque détection de personne avec des indices d'affinité globale fiables, ce qui conduit à une réduction de la complexité et à une amélioration des performances. Le GPN est mis en œuvre avec l'architecture Hourglass comme réseau principal pour apprendre simultanément le détecteur d'articulations et le régresseur dense. Des expériences approfondies sur les bancs d'essai MPII Human Pose Multi-Person, PASCAL-Person-Part étendu et WAF montrent l'efficacité du GPN avec de nouvelles performances au niveau de l'état de l'art.