AI Challenger-人体骨骼关键点检测&& Human Pose Estimation

AI Challenger 其中的人体骨骼关键点检测主要依赖的技术背景为Human pose estimation。该领域分为单人和多人两类，根据竞赛数据集来看，该任务为mult-person pose estimation。以下先介绍该竞赛的相技术背景

--  Background

专业术语：multi-person pose estimation

文章列表

1. open-Pose：<Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields >（CVPR 2017 Oral, CMU）

   性能：COCO: 61%    MPII:75%

2. G-RMI <Towards accurate multi-person pose estimation in the wild>   (CVPR 2017 Google)

性能：COCO: 67% 

3. Associative Embedding <Associative Embedding:End-to-End Learning for Joint Detection and Grouping> (rejected by ICCV2017 , UMICH Jia Deng)

性能： COCO :66%    MPII: 77%

4. <Joint Multi-Person Pose Estimation and Semantic Part Segmentation> ( ICCV 2017, UCLA)

性能：PASCAL-Person-Part: 62.8%

5. <MASK RCNN> (ICCV 2017, Facebook，Kaiming He）

性能：COCO: 63%

6. <RMPE: Regional Multi-Person Pose Estimation>   (ICCV 2017 , SJTU ,Tencent Youtu)

性能：COCO : 61.8%  MPII: 76%

分类

1. Bottom-up approach：先检测joints 和 limbs，然后将他们group成一个人。 代表文章<1> <4> 。

优点：整个图像只需要处理一遍，速度不随人数增加而变化 

2. Top-Down approach：先检测单个人，再针对单个人做single-person pose estimation。 代表文章 <2> <3> <5>

优点：思路直观，自然，被绝大部分人所青睐，且单人估计精度非常高

相关数据集/ 竞赛

1. MSCOCO Keypoint

http://cocodataset.org/

2. MPII

http://human-pose.mpi-inf.mpg.de/#results

3. Posetrack

https://posetrack.net/

- Baseline 尝试

1. 选定openpose作为baseline方法，先不训练，直接套用MPI的模型。由于MPI的关键点数量和AI Challenger完全一致，所以模型可以直接套用。第一个双周提交至竞赛网站，结果仅为26%。Baseline性能比较令人意外，毕竟这个模型在MPI这个最老牌的竞赛集上可是有75%的性能。