Simple Pose: Rethinking and Improving a Bottom-up Approach for Multi-Person Pose Estimation

最新推荐文章于 2022-07-04 19:35:48 发布
VIP文章 最新推荐文章于 2022-07-04 19:35:48 发布
阅读量1.8k 收藏 5
点赞数 3
分类专栏： HumanPoseEstimation 文章标签： Simple Pose
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Murdock_C/article/details/103474898
版权

arxiv: https://arxiv.org/pdf/1911.10529.pdf
github:https://github.com/jialee93/Improved-Body-Parts
原作者在知乎有讲解，链接

既然是Rethinking, 那么就要先只出需要rethinking的内容. 文章主要针对于人体姿态估计中的bottom-up的方法, 提出了关于bottom-up方法里的一些问题的思考:

  1. 人体姿态估计中的尺度多变性. 由于bottom-up的方法是一次性的提取出整张图片上的所有人体的关键点, 而图片中多个人的尺度大小并不是统一的,有的人大有的人小, 这就给算法增加了很大的难处. 图像金字塔或者一些特殊的网络结构(如FPN, hourglass)等都是用来提取多尺度信息的方法
  2. 高分辨率的特征图. 这个特征图不仅是网络的输入图像大小,也是网络的输出图像大小.在HRNet中已经证明了,使用更大的图像size作为输入,保留更高分辨率的feature map作为输出,能够更准确的提取关键点坐标位置.
  3. 特征点的聚类方法. Bottom-up方法是一次性提取出所有人体的所有关键点,那么怎么把属于同一个人的特征点分在一起,而把不同人的特征点分开就很重要.之前的方法有associate embedding, Part affinity fields等方法来解决这个问题
  4. 最后一个也是其它论文经常不关注的一点是数据不平衡问题. 这个数据不平衡是指两个方面:1) 数量少的positive samples VS 数量多的negative samples. 由于目前大部分都是采用回归热力图的方法来计算关键点, 打的label是在关键点处为中心的一个高斯分布
最低0.47元/天 解锁文章
MatthewHsw
关注
  • 3
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
yolov5 simplepose人体姿态
jacke121的专栏
07-04 4399
先给效果图： 有时快点，100ms，有时慢，200ms，精度不是特别准。 github地址： https://github.com/liangheming/simple_pose 但是原版没有测试图片或者视频的方法，只有验证精度的方法。 import os import random import time import cv2 import torch from tqdm import tqdm import cv2 as cv import json from pycocoto.
轻量级姿态估计simplepose
jacke121的专栏
11-26 4133
有torch训练： https://github.com/icicle4/SimplePoseJustGaussian mxnet： https://github.com/dog-qiuqiu/Ultralight-SimplePose/blob/master/train_simple_pose.py Android demo： https://github.com/CheungBH/SimplePose_demo_ncnn
【AAAI 2020】全部接受论文列表（三）
热门推荐
yinizhilianlove的博客
01-22 1万+
来源：AINLPer微信公众号（点击了解一下吧） 编辑: ShuYini 校稿: ShuYini 时间: 2020-01-09     今年共收到的有效论文投稿超过 8800 篇，其中 7737 篇论文进入评审环节，最终收录数量为 1591 篇，收录率为 20.6%， 虽然今年 AAAI 论文收录率的分母要比去年的 7700 篇多上 1100 余篇，但是整体收录数量比去年的 1150 篇多出不...
Pytorch 分布式并行训练 + 半精度/混合精度训练
David's Tweet
07-12 9049
该博客基于以下项目的开源代码进行分析： Simple Pose: Rethinking and Improving a Bottom-up Approach for Multi-Person Pose Estimation”, accepted by AAAI-2020. Github代码地址：代码 参考： 知乎《一个 Pytorch 训练实践 （分布式训练 + 半精度/混合精度训练）》 《Pytorch + Apex 训练流程记录》 《pytorch apex 混合精度训练和horovod分.
AAAI2020论文列表（中英对照）
dovings的博客
07-04 5573
AAAI2020论文列表（中英对照）
AAAI2020录用论文汇总（二）
fengdu78的博客
02-28 4305
本文汇总了截至2月23日arxiv上上传的所有AAAI2020录用论文，共计629篇，因篇幅过长，分为三部分，分享给大家。AAAI2020论文汇总（part 2）[201] Col...
多人姿态估计反思论文: Simple Pose（一）
m0_37909240的博客
07-20 798
2020/7/20 Hey，这篇论文主要从以下三个方面对多人姿态估计进行了创新： 1、数据预处理（坐标点变换和ground truth heatmap生成）过程中的中心点对齐问题。 2、使用多尺度监督引导网络生成热度图（论文中将此视为空间注意力机制） 3、用于keypoint和body part heatmap监督的损失函数：focal L2 loss 今天先分析一下论文中的数据预处理问题。剩下两个问题接下来两天再详细分析。论文Section Definition of Heatmaps 中强
人体姿态估计论文合集
如果想成为中心，那么就到中心去吧。
01-09 3368
2018 Simple Baselines for Human Pose Estimation and Tracking code: https://github.com/leoxiaobin/pose.pytorch 摘要： 近年来，人们在姿态估计方面取得了重大进展，人们对姿态跟踪的兴趣也越来越大。同时，算法的整体和系统复杂度也增加，使得算法的分析和比较更加困难。这项工作提供了简单而有效的基线方法。它们有助于激励和评估该领域的新想法。最先进的结果是在具有挑战性的基准上取得的。 ...
人体姿态估计－SimplePoseNet（二）
ZXF_1991的博客
04-24 2412
人体姿态估计－SimplePoseNet（二）资源链接论文代码论文个人解读模型结构网络特点 资源链接 论文出处：微软亚洲研究院(MSRA)、2018EECV 论文 原文链接 代码 pytorch tensorflow 论文个人解读 这篇文章开发的单人姿态估计模型SimplePoseNet简单高效，是2018年COCO人体关键点挑战赛的亚军，使用top-down策略，在COCO测试集上取得mAP=7...
多人姿态估计反思论文: Simple Pose（二）
m0_37909240的博客
07-21 338
2020/7/21 Hey，这篇论文主要从以下三个方面对多人姿态估计进行了创新： 1、数据预处理（坐标点变换和ground truth heatmap生成）过程中的中心点对齐问题。 2、使用多尺度监督引导网络生成热度图（论文中将此视为空间注意力机制） 3、用于keypoint和body part heatmap监督的损失函数：focal L2 loss 当然多尺度监督技术不是这篇论文的首创，但是具体使用方法上与先前的工作不同。生成Hourglass Network整个结构中所有分辨率.
simple-pose-track:姿势跟踪的简单实现
03-12
simple-pose-track:姿势跟踪的简单实现
matlab人头检测的代码-SimplePoseJustGaussian:简单姿势正义高斯
05-24
matlab人头检测的代码用于人体姿势估计和跟踪的简单基准 消息 我们的新作品可在上找到。 我们的HRNet已应用于多种视觉任务，例如和。 我们的新作品已经在发布。 最好的单个HRNet可以在COCO test-dev2017数据集上获得77.0的AP，在MPII测试集上获得92.3％的[email protected] 。 新的存储库还支持SimpleBaseline方法，欢迎您尝试一下。 我们使用此仓库的条目赢得了的赢家！ 我们使用此仓库的条目在！中排名第二。 介绍 这是的官方pytorch实现。 这项工作提供了令人惊讶的简单有效的基准方法，从而有助于启发和评估该领域的新想法。 在具有挑战性的基准上可获得最先进的结果。 在COCO关键点有效数据集上，我们最好的单一模型可达到74.3的mAP 。 您可以使用此存储库重现我们的结果。 提供所有模型用于研究目的。 主要结果 MPII val的结果 拱 头 肩膀 弯头 手腕 时髦的 膝盖 踝 吝啬的 均值@ 0.1 256x256_pose_resnet_50_d256d256d256 96.351 95.329 88.989 83.176 88.420 8
Rethinking the Heatmap Regression for Bottom-Up Human Pose
11-17
Rethinking the Heatmap Regression for Bottom-Up Human Pose Estimation 重新思考自下而上人体姿势估计的热图回归
PersonReID-TSF:AAAI 2020 论文代码 Rethinking Temporal Fusion for Video-based Person Re-identification on Semantic and Time Aspect
05-29
如果您发现此代码对您的研究有用，请考虑引用： @article{jiang2020rethinking, title={Rethinking Temporal Fusion for Video-based Person Re-identification on Semantic and Time Aspect}, author={Xinyang ...
Rethinking Text Segmentation A Novel Dataset and a Text-Specifi
11-17
Rethinking Text Segmentation A Novel Dataset and a Text-Specific Refinement Approach 重新思考文本分割一个新的数据集和一个特定于文本的细化方法
Rethinking SIMD Vectorization for In-Memory Databases (2015)-计算机科学
04-22
Rethinking SIMD Vectorization for In-Memory DatabasesOrestis Polychroniou∗ Columbia Universityoresti[email protected] Raghavan Oracle [email protected]omKenneth A. Ross† Columbia ...
2020-Rethinking Pre-training and Self-training.pdf
08-15
2020-Rethinking Pre-training and Self-training.pdf
MultiPoseNet论文解读及复现
Matthew技术小站
10-23 5152
MultiPoseNet: Fast Multi-Person Pose Estimation using Pose Residual Network. 原文链接 PRN网络 论文思路大致解读 论文提出的网络结构大概分成三部分： 首先第一部分是Backbone网络，用于提取图片在多尺度下的特征； 第二部分包括两个分开、独立的网络，其中一个用来检测图片中所有的人体关键点（keypoint_subn...
PifPaf: Composite Fields for Human Pose Estimation
Matthew技术小站
03-28 4869
发表于arxiv, 一个bottom-up的方法, 用来预测单张图片中多个人体的关节点位置, 已开源 arxiv地址: https://arxiv.org/abs/1903.06593 github地址: https://github.com/vita-epfl/openpifpaf contribution bottom-up, box-free, end-to-end cnn arc...
rethinking graph anomaly detection: a self-supervised group discrimination p
最新发布
02-05
《重新思考图形异常检测：一种自我监督的群体区分》是一篇关于图形异常检测的研究论文。现有的异常检测方法通常依赖于人工标注的异常样本，但这种方法需要大量的标注工作和专家知识。因此，该论文提出了一种基于自我监督群体区分的新方法。 该方法首先构建一个图形数据的表示形式，例如图形的节点和边表示，然后使用无监督的聚类算法将数据集分成不同的群体。通过比较不同群体之间的相似性和差异性，可以发现潜在的异常群体。这种自我监督的方法不需要人工标注的异常样本，而是通过挖掘数据本身的特征和结构来进行异常检测。 为了验证这种方法的有效性，该论文在多个真实世界的图形数据集上进行了实验。实验结果表明，该方法在检测异常群体方面具有较高的性能。与传统的异常检测方法相比，它能够更准确地识别出异常群体，并且不需要人工标注的异常样本来训练模型。 这项研究对图形异常检测领域具有重要的意义。它提出了一种新颖的自我监督方法，可以减轻传统异常检测方法中的标注负担，并且在实验中取得了很好的效果。该方法还可以应用于许多领域，如网络安全、金融欺诈检测等。未来，该研究可以进一步改进和扩展，以提高异常检测的准确性和效率。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值