人体关键点检测实验结果：COCO 和 MPII 数据集上的表现

图像 bounding box。我们使用 PCKh@0.5 作为主要评估指标，并报告 PCKh@0.1, PCKh@0.2, PCKh@0.3, PCKh@0.4 和 PCKh@0.5 的结果。

训练。我们使用 Adam 优化器，并遵循与 COCO 相同的学习策略。基本学习率设置为 2.5e-4，训练过程中学习率按照步骤进行调整。数据增强包括随机旋转（[-30, 30]），随机缩放（[0.75, 1.25]），以及翻转。我们使用 HRNet-W32 作为主干网络。

测试。我们使用与 COCO 相同的测试策略，除了我们采用提供的人物框而不是检测到的人物框。我们对六个尺度的图像金字塔进行测试，并使用 PCKh 作为评估指标。

MPII Human Pose Estimation 的结果。我们在 MPII Human Pose 数据集上评估了我们的方法，并将结果与其他最先进的方法进行了比较。表格 3 显示了我们的方法在不同 PCKh 阈值下的性能。我们的方法在 PCKh@0.5 下实现了 96.7% 的精度，优于其他最先进的方法。此外，我们的方法在 PCKh@0.1 到 PCKh@0.5 的所有阈值下都实现了最佳性能。