姿勢推定とは、コンピュータビジョン技術を用いて画像や動画内の対象物の空間構造を分析する手法群です。その目的は、人間、動物、または物体のキーポイントを特定し、関節の接続や全体の姿勢を推測することです。この技術は、物体検出、視覚表現学習、幾何モデリングなどの分野を含み、人間の行動分析、インテリジェントなインタラクション、および3D視覚理解における基本的なタスクです。

姿勢推定技術の開発は、コンピュータビジョン、人体モデリング、画像解析など、複数の分野における長期的研究に基づいています。初期の手法は、主に手動で設計された特徴、テンプレートマッチング、幾何学的モデルに依存して人体の重要なポイントを検出していましたが、これらの手法は複雑な背景、遮蔽、姿勢の変化といった状況下で大きな制約に直面していました。ディープラーニングの発展に伴い、研究者たちはニューラルネットワークを利用して画像データから人体の構造的特徴を直接学習するようになりました。2014年、Googleの研究者であるAlexander ToshevとChristian Szegedyは、論文を発表しました。 DeepPose：深層ニューラルネットワークによる人体姿勢推定 本論文は、深層ニューラルネットワークを用いた人体姿勢推定手法を提案しており、姿勢推定を画像からキーポイント座標への回帰問題に変換するものである。これにより、深層学習の人体姿勢解析への応用が促進され、深層姿勢推定分野における重要な代表的研究の一つとなっている。

姿勢推定の中核となるタスクは、画像や動画から人体のさまざまな関節（肩、肘、手首、膝、足首などのキーポイント）の位置を特定し、さらに完全な骨格構造と身体姿勢を再構築することです。座標次元とシーンの複雑さに応じて、姿勢推定は2D姿勢推定、3D姿勢推定、複数人姿勢推定などに分類できます。技術的には、キーポイント検出ネットワーク、Transformer構造、および3Dビジョン手法を統合しています。近年、多段階プロセスからエンドツーエンドソリューションへと徐々に移行し、全身キーポイント推定や3D人体メッシュ再構築など、より完全な人体形態再構築機能へと拡張されています。現在、この技術は、モーション解析、ヒューマンコンピュータインタラクション、VR/AR、インテリジェントモニタリング、ロボット知覚などのシナリオで広く使用されています。