キーフレームで検出した「人物のバウンディングボックス」の範囲を、キーフレーム及び前後のフレームから切り出し、3Dに対応させた3D HRNetに入力して一連の切り出し画像に対する姿勢推定を行い、その推論結果を元のフレームに反映させるClip Tracking Networkを提案した。

PoseTrack 2017及びPoseTrack 2018のデータセットで評価を行い、いずれもSOTAの結果。また、人物のDetectorにはCOCOデータセットで学習させたResNet-101のSNIPERを使用し、バックボーンをResNet-101からMobileNetV2に軽量化しても、2D CNNの手法より全体の検出性能は高い結果。

シンプルな考え方で、かつ作り込んだモデルがPoseTrackのテストデータで高い精度を出しているため通ったと考えられる。