摘要

现有的二维姿态估计研究主要集中在某一特定类别，例如人类、动物和车辆。然而，许多应用场景需要检测未见过的物体类别的姿态/关键点。在本文中，我们引入了类别无关的姿态估计（Category-Agnostic Pose Estimation, CAPE）任务，其目标是在仅提供少量带有关键点定义的样本的情况下，构建一个能够检测任意类别物体姿态的模型。为了实现这一目标，我们将姿态估计问题表述为关键点匹配问题，并设计了一种新颖的CAPE框架，称为姿态匹配网络（POse Matching Network, POMNet）。我们提出了一种基于Transformer的关键点交互模块（Keypoint Interaction Module, KIM），用于捕捉不同关键点之间的相互作用以及支持图像和支持查询图像之间的关系。此外，我们还引入了一个多类别姿态（Multi-category Pose, MP-100）数据集，该数据集包含100个物体类别的2D姿态数据，共有超过20,000个实例，并且专门设计用于开发CAPE算法。实验结果表明，我们的方法大幅优于其他基线方法。代码和数据可在 https://github.com/luminxu/Pose-for-Everything 获取。