摘要

我们提出 OmniPose，一种单次通过、端到端可训练的框架，在多人姿态估计任务中取得了当前最优的性能。该框架采用一种新颖的瀑布模块（waterfall module），充分利用多尺度特征表示，显著提升了主干特征提取器的效能，且无需后续处理。OmniPose 在多尺度特征提取器中融合了跨尺度上下文信息，并结合高斯热图调制机制，实现了高精度的人体姿态估计。通过 OmniPose 中改进的瀑布模块所获得的多尺度表示，既继承了级联架构中渐进式滤波的高效性，又保持了与空间金字塔结构相当的多尺度感受野。在多个数据集上的实验结果表明，结合改进的 HRNet 主干网络与瀑布模块的 OmniPose，是一种鲁棒且高效的多人姿态估计架构，能够达到当前最优的性能水平。