《RTMPose: Real-Time Multi-Person Pose Estimation based on MMPose》，主要介绍了一种高性能实时多人姿态估计框架RTMPose，能在多种设备上实现实时推理，平衡模型性能和复杂度。
原文链接：https://arxiv.org/abs/2303.07399
代码：https://github.com/open-mmlab/mmpose/tree/main/projects/rtmpose

1. 研究背景：2D姿态估计在学术基准测试中表现不错，但因模型参数多、延迟高，在工业领域应用受限。实时人体姿态估计在人机交互、动作识别等方面有很大需求，因此本文旨在缩小差距，设计出更适用于工业应用的模型。

2. 创新点

   1. 采用新范式：使用自上而下的方法，借助实时检测器的高效性，让检测不再成为速度瓶颈，在多数场景能实时处理多人实例。
   2. 选择合适骨干网络：采用CSPNeXt作为骨干网络，在速度、准确性和部署友好性上达到较好平衡。
   3. 新的关键点预测算法：用基于SimCC的算法预测关键点，将其看作分类任务，计算量更低，部署更容易。
   4. 优化训练策略：重新研究并引入适用于姿态估计任务的训练策略，提升了模型性能。
   5. 优化推理流程：联合优化推理流程，用跳帧检测策略降低延迟，通过姿态非极大值抑制（NMS）和平滑滤波提高稳定性。还提供不同尺寸的模型，满足不同场景需求。

3. 网络设计：整体架构包含卷积层、全连接层和门控注意力单元（GAU）。骨干网络用CSPNeXt/(目标检测)，通过全连接层扩展特征维度，再经GAU模块优化关键点表示，最后将2D姿态估计视为对x轴和y轴坐标的两个分类任务，预测关键点的水平和垂直位置。
   

4. 原理：基于SimCC将关键点定位看作分类问题，把水平和垂直轴划分成等宽的区间，将连续坐标离散化为区间标签，模型训练预测关键点所在区间。利用高斯标签平滑策略，用软标签替代独热标签，减少量化误差，提高模型性能。

5. 训练策略

   • 预训练：用基于热图的UDP方法对骨干网络预训练，提升模型准确性。
   • 优化策略：采用指数移动平均（EMA）减轻过拟合，使用平坦余弦退火策略提高准确率，抑制归一化层和偏差的权重衰减。
   • 两阶段训练增强：先使用强数据增强训练180个epoch，再用弱增强策略训练30个epoch ，防止模型过拟合，使其更好地学习姿态结构信息。

6. 实验结果：在COCO、COCO-SinglePerson、COCO-WholeBody等多个数据集上进行实验，RTMPose相比其他开源库，在准确率和复杂度上表现更优。在不同设备上测试推理速度，结果显示RTMPose能在多种设备（CPU、GPU、移动设备）上实现实时推理。

7. 研究结论：该研究探索了姿态估计中的关键因素，提出的RTMPose框架在平衡模型性能和复杂度方面表现出色，可在多种设备上实时推理。希望该算法及其开源实现能满足工业中姿态估计的部分需求，推动人体姿态估计任务的进一步研究。