上海交大名师授课！深度解析人体姿态估计与 MMPose

人体姿态估计（Human Pose Estimation）是计算机视觉领域中的一个重要研究方向，也是计算机理解人类动作、行为必不可少的一步，人体姿态估计是指通过计算机算法在图像或视频中定位人体关键点（如肩、肘、腕、髋膝、膝、踝等）。目前被广泛应用于动作检测、虚拟现实、人机交互、视频监控等诸多领域。

为了让开发者们更详尽了解到人体姿态估计与 MMPose 的相关知识，以应对人体姿态估计应用的诸多挑战，OpenMMLab 特邀上海交通大学电子信息与电气工程学院计算机系教授、博士生导师卢策吾老师现推出《人体姿态估计与 MMPose》课程。本次课程涵盖人体姿态估计的介绍与应用、2D 姿态估计、3D 姿态估计、DensePose、Body Mesh 以及 MMPose 等内容。

课程内容

在这门课程中，我们将介绍人体姿态估计的基本概念和应用，并深入讨论 2D 和 3D 姿态估计的各种方法，在本课程中，你将学习到：

• 人体姿态估计的基本概念和应用

• 2D 姿态估计的各种方法及其模型

• 3D 姿态估计的各种方法及其模型

• DensePose 以及 BodyMesh 模型

• 姿态估计的评估方法和指标

• MMPose 实践

人体姿态估计简介

课程开始探讨什么是人体姿态估计以及它在计算机视觉、虚拟现实和人机交互等领域中的应用。

2D 姿态估计方法

2D 姿态估计要求估计人体关键点在图像上的位置，是目前姿态估计领域研究得比较成熟的算法。按照算法流程，2D 姿态估计可分为自顶向下算法与自底向上算法，以及近年来新兴的单阶段方法，而按照模型实现又可分为基于热力图和基于回归的方法。在课程中，我们将深入研究一些著名的 2D 姿态估计模型，如基于热力图的 Hourglass、Simple Baseline、HRNet 等算法，基于回归的 RLE 算法，自底向上的 OpenPose 算法，单阶段的 SPM 算法。

3D 姿态估计方法

3D 态估计要求从视频或图像中估计出人体在三维空间中的姿态，是一个具有挑战的问题。3D 姿态估计的主流方法包括直接预测、利用视频信息和利用多角度图像的方法。我们将介绍 Coarse-to-Fine、Simple Baseline 3D、VideoPose 3D、VoxelPose和DensePose 等著名的 3D 姿态估计模型，并研究它们在不同场景下的应用。

DensePose 与 Body Mesh

DensePose 将 2D 图像坐标通过深度学习映射到 3D 人体表面上，开辟了一种 3D 物理模型理解以及数据坐标表示的新范式，可以实现实时的人体姿态估计。BosyMesh 是 3D 计算机图形学和人体几何建模的重要基础，课程除了介绍其基本表示及相关的混合蒙皮技术，我们还将深入学习一些人体参数化模型的经典算法如 SMPL、SMPLify 和 HMR。

数据集与评估

最后课程介绍了人体姿态估计常用的评估指标、以及该领域常用的数据集。

MMPose 实践

在实践环节，课程介绍了 MMPose 人体姿态工具包的使用方法，包括安装配置，2D、3D人体、手势模型的推理，以及姿态估计模型的训练。

通过本课程的学习，你将掌握人体的姿态的主流方法，并熟练使用工具实现或开发自己的算法，为未来的研究和应用打下坚实的基础。

名师授课

卢策吾：上海交通大学电院计算机系教授、博士生导师。

主要从事具身智能，计算机视觉的研究。以通讯作者或第一作者在《Nature》《Nature Machine Intelligence》，TPAMI，CVPR 等高水平期刊和会议发表（含接收）论文 100 多篇；开源了一系列如 AlphaPose（人体姿态估计系统，GitHub Star 7k），HAKE（人体行为引擎），GraspNet（高性能机器人抓取系统）等多项拥有国际先进水平的开源人工智能框架和数据集，多项成果在智能安防、机器人、无人车等重要领域得到应用。

课程亮点

亮点一：课程内容丰富，业内著名专家讲解

本课程将介绍人体姿态估计的基本概念和应用，并深入讨论 2D 和 3D 姿态估计的各种方法，以及 DensePose 与 Body Mesh 估计等相关任务，开发者可以借此机会深入了解姿态估计领域的前沿技术和应用案例，拓宽视野、增长见识。

亮点二：系统全面的姿态估计内容

本课程系统地介绍了姿态估计的 2D 和 3D 方法，涵盖了自顶向下方法和自底向上方法、基于热力图的方法和基于回归的方法、单阶段方法等各种不同的技术路线。开发者可以在学习中深入理解每种方法的原理和适用场景，以及它们在实际应用中的优缺点。

亮点三：实践与评估结合，深度剖析姿态估计应用思路

本课程注重实践和应用，结合 MMPose 工具箱，让开发者亲身体验姿态估计算法的实际效果，学习如何基于 MMPose 构建自己的应用、训练自己的模型。

立即学习

以上就是 MMPose 的相关技术详解以及本次课程的主要内容，欢迎大家点赞、关注、转发。

关于 MMPose

MMPose：OpenMMLab 基于 PyTorch 的姿态估计算法库，支持人体、人手、人脸、动物、服装等多类物体的 2D/3D 姿态估计。

MMPose 是一个开源项目，由来自不同学院和公司的研究人员和工程师贡献。我们感谢所有实施其方法或添加新功能的贡献者，以及提供宝贵反馈的用户。我们希望工具箱和基准能够通过提供一个灵活的工具包来重新实施现有方法并开发自己的新模型，从而为不断增长的研究界服务。

MMPose GitHub 链接：https://github.com/open-mmlab/mmpose

加入技术交流群

欢迎广大开发者关注 MMPose，来体验其姿态估计的强大功能！与此同时，还可前往 OpenMMLab 的 Github 主页（别忘了 Star 支持喔~）了解更多有关 MMPose 的内容！最后，欢迎微信扫描下方二维码加入 OpenMMLab 官方微信社群，和我们一起来探索人体姿态估计的无限可能吧！

扫码加入，就等你来

点击下方“阅读原文”直达 B 站课程页面