Zusammenfassung Die Schätzung menschlicher Posen ist eine grundlegende Aufgabe in der Computer Vision mit weitreichenden Anwendungen in der Mensch-Computer-Interaktion, Sportanalytik und Gesundheitswesen. Während konvolutionale neuronale Netzwerke (CNNs) und Transformer bemerkenswerte Erfolge erzielt haben, haben sie oft Schwierigkeiten, strukturierte Körperbeziehungen zu erfassen, mit Verdeckungen umzugehen und effektiv in unterschiedlichen Umgebungen zu generalisieren. Grafische neuronale Netzwerke (GNNs), die menschliche Posen als strukturierte Graphen darstellen, bieten eine überzeugende Alternative, indem sie räumliche und zeitliche Abhängigkeiten zwischen Körpergelenken explizit modellieren. Diese Umfrage bietet einen umfassenden Überblick über GNN-basierte Ansätze zur Posenbestimmung und umfasst räumliche GCNs, spatiotemporale Modelle, Hybridmodelle zwischen Graph und Transformer sowie Hypergraph-Frameworks. Wir analysieren diese Methoden entlang wichtiger Dimensionen, einschließlich Graphkonstruktion, Lernparadigmen, Aufmerksamkeitsmechanismen und rechnerischer Effizienz, unter Verwendung von Standardbenchmarks wie Human3.6M, COCO und MPI-INF-3DHP. Unsere Überprüfung identifiziert mehrere aufkommende Trends und kritische Einschränkungen. Dazu gehören hohe Rechenkosten, eingeschränkte Generalisierbarkeit in unbeschränkten Szenarien und inkonsistente Bewertungsprotokolle. Um das Feld voranzutreiben, skizzieren wir zukünftige Forschungsrichtungen, wie hybride GNN-Transformer-Architekturen, leichte Modelle für Edge-Bereitstellungen, multimodale Fusion und selbstüberwachte Lernstrategien, die darauf abzielen, die Abhängigkeit von Annotationen zu reduzieren und die Robustheit über Domänen hinweg zu verbessern.
Lama et al. (Sa,) haben diese Frage untersucht.