ViTPose++: Vision Transformer for Generic Body Pose Estimation

计算机科学 姿势 变压器 人工智能 机器学习 计算机视觉 人机交互 软件工程 电压 电气工程 工程类
作者
Yufei Xu,Jing Zhang,Qiming Zhang,Jing Zhang
出处
期刊:IEEE Transactions on Pattern Analysis and Machine Intelligence [Institute of Electrical and Electronics Engineers]
卷期号:46 (2): 1212-1230 被引量:19
标识
DOI:10.1109/tpami.2023.3330016
摘要

In this paper, we show the surprisingly good properties of plain vision transformers for body pose estimation from various aspects, namely simplicity in model structure, scalability in model size, flexibility in training paradigm, and transferability of knowledge between models, through a simple baseline model dubbed ViTPose. ViTPose employs the plain and non-hierarchical vision transformer as an encoder to encode features and a lightweight decoder to decode body keypoints in either a top-down or a bottom-up manner. It can be scaled to 1B parameters by taking the advantage of the scalable model capacity and high parallelism, setting a new Pareto front for throughput and performance. Besides, ViTPose is very flexible regarding the attention type, input resolution, and pre-training and fine-tuning strategy. Based on the flexibility, a novel ViTPose++ model is proposed to deal with heterogeneous body keypoint categories via knowledge factorization, i.e., adopting task-agnostic and task-specific feed-forward networks in the transformer. We also demonstrate that the knowledge of large ViTPose models can be easily transferred to small ones via a simple knowledge token. Our largest single model ViTPose-G sets a new record on the MS COCO test set without model ensemble. Furthermore, our ViTPose++ model achieves state-of-the-art performance simultaneously on a series of body pose estimation tasks, including MS COCO, AI Challenger, OCHuman, MPII for human keypoint detection, COCO-Wholebody for whole-body keypoint detection, as well as AP-10K and APT-36K for animal keypoint detection, without sacrificing inference speed.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
jonghuang发布了新的文献求助10
刚刚
2秒前
QYW发布了新的文献求助10
3秒前
SciGPT应助尘南浔采纳,获得10
5秒前
5秒前
曾建发布了新的文献求助10
6秒前
Fancy发布了新的文献求助50
6秒前
执行正义完成签到,获得积分10
6秒前
轻松冰旋完成签到 ,获得积分10
7秒前
7秒前
开朗钻石完成签到,获得积分10
7秒前
wyk完成签到 ,获得积分10
8秒前
仙女的小可爱完成签到 ,获得积分10
8秒前
8秒前
LL发布了新的文献求助10
9秒前
Jason发布了新的文献求助10
9秒前
pphhhhaannn完成签到,获得积分10
10秒前
Singularity应助小白采纳,获得20
10秒前
耿倩倩完成签到,获得积分10
11秒前
11秒前
jonghuang完成签到,获得积分10
11秒前
半岛铁盒完成签到,获得积分20
11秒前
12秒前
完美世界应助雨水采纳,获得10
13秒前
14秒前
rosalieshi应助阔达的盼波采纳,获得30
15秒前
15秒前
米六发布了新的文献求助10
15秒前
15秒前
123发布了新的文献求助10
15秒前
16秒前
尘南浔完成签到,获得积分10
17秒前
aji发布了新的文献求助10
18秒前
活力寒梅发布了新的文献求助10
20秒前
尘南浔发布了新的文献求助10
21秒前
FancyShi发布了新的文献求助10
21秒前
翻斗花园胡图图完成签到 ,获得积分10
24秒前
陌小千完成签到 ,获得积分10
24秒前
26秒前
Ahha完成签到 ,获得积分10
26秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Handbook of Qualitative Cross-Cultural Research Methods 600
Very-high-order BVD Schemes Using β-variable THINC Method 568
Chen Hansheng: China’s Last Romantic Revolutionary 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3137260
求助须知:如何正确求助?哪些是违规求助? 2788392
关于积分的说明 7785921
捐赠科研通 2444458
什么是DOI,文献DOI怎么找? 1299916
科研通“疑难数据库(出版商)”最低求助积分说明 625650
版权声明 601023