HPRNet : Régression hiérarchique de points pour l'estimation de la posture corporelle entière

Dans cet article, nous présentons une nouvelle méthode uniques en son genre, à base de descente (bottom-up), à une étape pour l’estimation de la posture du corps entier, que nous appelons « régression hiérarchique de points », ou HPRNet pour faire court. Dans l’estimation classique de la posture du corps, on estime la position d’environ 17 articulations principales du corps humain. À la différence, l’estimation de la posture du corps entier vise également à localiser des points-clés à haute résolution (68 sur le visage, 21 par main et 3 par pied), ce qui introduit un problème de variance d’échelle qui doit être traité. Pour gérer cette variance d’échelle entre les différentes parties du corps, nous proposons une représentation hiérarchique des points-clés par partie corporelle, que nous régressons conjointement. Les positions relatives des points-clés fins au sein de chaque partie (par exemple, le visage) sont régressées par rapport au centre de cette partie, dont la position elle-même est estimée par rapport au centre global de la personne. En outre, contrairement aux méthodes existantes à deux étapes, notre méthode prédit la posture du corps entier en un temps constant, indépendamment du nombre de personnes présentes dans une image. Sur le jeu de données COCO WholeBody, HPRNet dépasse significativement toutes les méthodes précédentes à base de descente en termes de détection des points-clés pour toutes les parties du corps entier (corps, pieds, visage et mains) ; elle atteint également des résultats de pointe sur la détection des points-clés du visage (75,4 AP) et des mains (50,4 AP). Le code source et les modèles sont disponibles à l’adresse suivante : \url{https://github.com/nerminsamet/HPRNet}.