（9）YOLO-Pose:使用对象关键点相似性损失增强多人姿态估计的增强版YOLO
YOLO-Pose:使用对象关键点相似性损失增强多人姿态估计
1. 简介
Time:2022
我们介绍了一种YOLO-Pose，一种新的无热图联合检测方法，以及基于流行的YOLO目标检测框架的图像二维多人姿态估计。现有的基于热图的两阶段方法是次优的，因为它们不是端到端可训练的，训练依赖于替代L1损失，不等于最大化评估度量，即目标对象关键点相似度(OKS)。我们的框架允许我们端到端训练模型，并优化OKS度量本身。该模型学习了在一次正向传递中联合检测多个人的边界框及其相应的二维姿态，从而引入了自上而下和自下而上两种方法的最佳效果。所提出的方法不需要对自底向上的方法进行后处理，以将检测到的关键点分组到一个骨架中，因为每个边界框都有一个相关的姿态，从而导致关键点的固有分组。与自上而下的方法不同，多个向前通道被取消，因为所有人的姿势都是局部化的。YOLO-pose在COCO验证(90.2%AP50)和测试开发方面取得了新的最先进的结果。
效果如下：
- 从yolov5m6姿态的输出显示了我们的方法的鲁棒性。一个人的关键点永远不会因为固有的分组而与另一个人误解。
论文的主要贡献有：
- 通过目标检测来解决多人姿态估计，因为主要的挑战，如尺度变化和遮挡是共同的。所提方法将直接受益于目标检测领域的任何进展。
- 我们的无热图方法使