Apprentissage de représentations à haute résolution pour l'estimation de la posture humaine

Voici une implémentation officielle de PyTorch pour l'apprentissage de représentations à haute résolution profonde pour l'estimation de la posture humaine. Dans ce travail, nous nous intéressons au problème d'estimation de la posture humaine en mettant l'accent sur l'apprentissage de représentations à haute résolution fiables. La plupart des méthodes existantes récupèrent des représentations à haute résolution à partir de représentations à basse résolution produites par un réseau à haute-basse résolution. À la place, notre réseau proposé maintient des représentations à haute résolution tout au long du processus. Nous commençons par un sous-réseau à haute résolution comme première étape, ajoutons progressivement des sous-réseaux à haute-basse résolution pour former des étapes supplémentaires, et connectons les sous-réseaux multi-résolution en parallèle. Nous effectuons des fusions multi-échelles répétées afin que chaque représentation à haute-basse résolution reçoive continuellement des informations provenant d'autres représentations parallèles, conduisant ainsi à des représentations riches et précises en haute résolution. En conséquence, la carte thermique prédite des points clés est potentiellement plus précise et spatialement plus fine. Nous démontrons empiriquement l'efficacité de notre réseau grâce aux résultats supérieurs d'estimation de la posture obtenus sur deux jeux de données de référence : le jeu de données COCO pour la détection des points clés et le jeu de données MPII Human Pose. Le code source et les modèles sont disponibles publiquement sur \url{https://github.com/leoxiaobin/deep-high-resolution-net.pytorch}.