摘要

我们重新思考了一种经典的自下而上（bottom-up）多人姿态估计方法，并提出了一种改进方案。该改进方法在多个方面显著优于基线模型，主要得益于以下四点：（1）提出了一种直观且更具合理性的表示方式，我们称之为“身体部件”（body parts），用于编码关键点之间的关联信息；（2）设计了一种引入注意力机制的改进型堆叠沙漏网络（stacked hourglass network）；（3）提出一种新颖的焦点L2损失函数（focal L2 loss），专门用于挖掘困难关键点及关键点关联（即身体部件）；（4）采用一种鲁棒的贪心关键点分配算法，将检测到的关键点高效地分组为个体姿态。该方法不仅实现过程简洁直接，而且在平均精度（average precision）上较基线方法提升约15%，在MS-COCO test-dev数据集上的表现也达到了当前先进水平。相关代码与预训练模型已公开发布于网络。