论文链接：https://arxiv.org/pdf/2203.08713.pdf
论文代码： https://github.com/cure-lab/DeciWatch
项目链接：https://ailingzeng.site/deciwatch
论文出处：2022 ECCV
论文单位：港中文
摘要
- 本文提出了一个简单的基线框架，用于基于视频的2D/3D人体姿态估计，可以在不降低任何性能的情况下实现10倍的效率提高，称为DeciWatch。
- 与目前估计视频中每帧的解决方案不同，DeciWatch引入了一个简单而有效的采样-降噪恢复框架，该框架仅观察稀疏采样帧，利用人体运动的连续性和轻量级姿态表示。
- 具体来说，DeciWatch均匀采样少于10%的视频帧进行详细估计，使用高效的Transformer架构对估计的2D/3D姿势进行降噪，然后使用另一个基于Transformer的网络准确恢复其余帧。
- 基于四种数据集的视频人体姿态估计、身体网格恢复任务和高效标记的综合实验结果验证了DeciWatch的效率和有效性。
1. 简介
-
2D/3D人体姿态估计有许多应用，如监视、虚拟现实和自动驾驶。
-
文献中提出了各种高性能的基于图像的姿态估计器，但它们都伴随着大量的计算成本。
-
有两种主要方法可以提高人体姿态估计器的效率，以便它们可以部署在资源稀缺的边缘设备上(例如，智能相机)。文章来源：https://www.toymoban.com/news/detail-817694.html
-
（1）提高效率的一种直接方法是设计更紧凑的模型，例如许多轻量级图像级姿态估计器(见图1文章来源地址https://www.toymoban.com/news/detail-817694.html
到了这里，关于视频姿态估计：DeciWatch的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
