RTMO: Towards High-Performance One-Stage Real-Time Multi-Person Pose Estimation

本文介绍了RTMO，这是一个一阶段姿势估计框架，通过在YOLO架构中使用双1-D热图表示关键点，无缝地集成了坐标分类，实现了与自顶向下方法相当的精度，同时保持高速。我们提出了一种动态坐标分类器和一个量身定制的损失函数，用于热图学习，专门设计用于解决坐标分类和密集预测模型之间的不兼容性。RTMO优于最先进的一阶段姿势估计器，在COCO上实现了1.1％更高的AP，同时使用相同的骨干网速度提高了约9倍。我们的最大模型RTMO-l在COCO val2017上达到了74.8％的AP，在单个V100 GPU上达到了141 FPS，展示了其效率和准确性。代码和模型可在https://github.com/open-mmlab/mmpose/tree/dev-1.x/projects/rtmo上获得。

实时多人姿态估计需要在速度和精度之间平衡，现有的一阶段方法往往无法同时提供高精度和实时性能。

RTMO是一种一阶段姿态估计框架，它通过在YOLO架构中使用双1-D热图表示关键点来无缝集成坐标分类，实现与顶部向下方法可比的精度，同时保持高速度。RTMO提出了一个动态坐标分类器和一个量身定制的损失函数，专门设计用于解决坐标分类和密集预测模型之间的不兼容性。

RTMO在COCO数据集上的表现优于现有的一阶段姿态估计器，达到了74.8%的AP，而在相同的骨干网络下运行约9倍快。RTMO-l模型在单个V100 GPU上实现了141 FPS的效率和准确性。该论文提供了开源代码和模型。

与本论文相关的研究包括：Top-Down方法和其他一阶段姿态估计器，如HRNet和HigherHRNet等。