HigherHRNet: Scale-Aware Representation Learning for Bottom-Up Human Pose Estimation HigherHRNet: 크기 인식을 위한 표현 학습 기반 하향식 인간 자세 추정

바텀업 방식의 인간 자세 추정 방법은 스케일 변동에 따른 어려움으로 인해 작은 사람들의 정확한 자세를 예측하는 데 문제가 있습니다. 본 논문에서는 고해상도 피라미드를 사용하여 스케일 인식 표현을 학습하는 새로운 바텀업 방식의 인간 자세 추정 방법인 HigherHRNet을 제시합니다. 훈련 시 다중 해상도 감독과 추론 시 다중 해상도 집계를 통해 제안된 접근법은 바텀업 다중 사람 자세 추정에서의 스케일 변동 문제를 해결하고, 특히 작은 사람들에 대한 키포인트를 더욱 정확하게 위치시킬 수 있습니다. HigherHRNet의 특징 피라미드는 HRNet에서 출력되는 특징 맵과 전치 컨볼루션을 통한 업샘플링된 고해상도 출력으로 구성됩니다. COCO 테스트-데브에서 중간 크기 사람에 대해 이전 최고의 바텀업 방법보다 2.5% AP가 높아, 스케일 변동 처리 능력을 입증하였습니다. 또한, HigherHRNet은 정교화 또는 다른 후처리 기술 없이 COCO 테스트-데브에서 새로운 최고 성능(70.5% AP)을 달성하여 모든 기존 바텀업 방법을 능가하였습니다. 더 나아가, HigherHRNet은 크라우드포즈 테스트(67.6% AP)에서도 모든 탑다운 방법을 초월하여 혼잡한 환경에서의 강건성을 보여주었습니다. 코드와 모델은 https://github.com/HRNet/Higher-HRNet-Human-Pose-Estimation 에서 제공됩니다.