姿態估計及跟蹤「Detect-and-Track: Efficient Pose Estimation in Videos」

基於行人檢測和視頻理解，估計及跟蹤人體關鍵點。首先在單幀或短視頻剪輯估計關鍵點，然後使用輕量級網絡生成關鍵點的估計。單幀的估計使用Mask-RCNN，3D Mask-RCNN。在PoseTrack上對比，MOTA爲51.8%。 相關工作 單幀圖像姿態估計：Mask R-CNN，DeeperCut，[4][33] 多幀姿態估計：PoseTrack[22]，[18] 視頻多目標跟蹤：遞歸神經網絡[32

>>阅读原文<<