3d人体姿态估计项目

1. 项目简介

**专注于在处理长输入序列时的效率提升以及对噪声2D关节检测的鲁棒性。其核心创新在于利用频域联合序列表示，显著改进了模型的性能。本文已被 CVPR 2023 接收。

• arXiv 链接: [点击查看]
• 项目页面: [
• 介绍视频: 点击查看
  

新闻动态

1. [2024.06.16] 发布了针对 MPI-INF-3DHP 数据集的代码和预训练模型，详情请 点击此处。
2. [2024.02.06] 更新了环境要求，并发布了我们在 NeurIPS 2023 的工作 ContextAware-PoseFormer（该方法通过单帧视频输入，超越了基于序列的模型）。
3. [2023.06.16] 发布了真实场景视频的代码演示。
4. [2023.05.31] 发布了一段带解说的介绍视频，点击 此处 查看。
5. [2023.03.28] 构建了项目页面，内含更多描述及视频演示。
6. [2023.03.31] 发布了我们的论文在 arXiv 上的版本。

---

2. 论文简介

PoseFormerV2 以 PoseFormer 为基础，针对实际场景中两个主要限制进行了优化：

• 限制 1：输入关节序列的长度。
• 限制 2：2D关节检测的质量问题。

为解决这些问题，PoseFormerV2 利用频域中的紧凑骨架序列表示，以高效扩展感受野并增强对噪声2D关节检测的鲁棒性。通过在时域和频域中同时融合特征，PoseFormerV2 达到了更优的速度-准确率权衡。

---

3. 背景及动机

3.1 传统 PoseFormer 的优势

PoseFormer 是第一个成功将变换器引入到 2D-to-3D 人体姿态估计任务的模型。其主要优势在于：

• 利用变换器对每帧中的人体关节空间关系进行建模。
• 捕获帧间的人体动态信息。

3.2 PoseFormer 的局限性

尽管性能出色，PoseFormer 在以下两个方面存在显著不足：

1. 输入序列长度的限制：PoseFormer 对所有输入帧应用自注意力机制。当帧数增加时，计算成本急剧上升，从而限制了输入序列的长度。
2. 对噪声检测的鲁棒性：PoseFormer 的性能容易受到噪声2D关节检测的影响，而这种噪声在实际应用中不可避免。

---

4. PoseFormerV2 的核心创新

为了解决上述问题，PoseFormerV2 提出了以下关键方法：

4.1 利用频域紧凑表示

• 将长骨架序列映射到频域。
• 在频域中进行处理以减少计算量，同时保留关键动态信息。

4.2 时间域与频域特征融合

• 在原有 PoseFormer 框架中引入频域特征。
• 通过融合时域和频域特征，实现更高效和稳健的特征表达。

---

5. 方法细节

5.1 频域表示

PoseFormerV2 使用傅里叶变换将骨架序列从时间域转化为频域。具体过程包括：

• 输入骨架序列：每帧包含一组 2D 关节点。
• 傅里叶变换：提取频域特征，捕获长序列的全局信息。

5.2 时间-频域融合

PoseFormerV2 在以下两个阶段结合时域和频域特征：

1. 特征提取阶段：通过频域对全局信息进行高效编码。
2. 融合阶段：在变换器层中，结合时域的局部特征和频域的全局特征。

---

6. 实验结果

6.1 数据集

PoseFormerV2 在以下两个基准数据集上进行了评估：

1. Human3.6M：大规模室内人体姿态数据集。
2. MPI-INF-3DHP：包含复杂场景和真实世界数据的3D姿态数据集。

6.2 实验对比

在实验中，PoseFormerV2 相比原始 PoseFormer 和其他变换器变体表现出色：

• 速度：PoseFormerV2 的计算成本更低，处理长序列时效率更高。
• 鲁棒性：在噪声2D关节检测的情况下，PoseFormerV2 保持了更好的性能。

6.3 性能指标

• 在 Human3.6M 数据集上，PoseFormerV2 取得了显著更低的误差。
• 在 MPI-INF-3DHP 数据集上，PoseFormerV2 在各种复杂场景下均表现优异。

---

---