【系列论文研读】Pose Estimation

最新推荐文章于 2024-10-29 18:08:55 发布
最新推荐文章于 2024-10-29 18:08:55 发布
阅读量1.1k 收藏 5
点赞数
分类专栏： 论文研读 文章标签： 姿态估计 神经网络 论文
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/always_ease/article/details/102807558
版权
本文主要探讨了姿态估计的问题定义，介绍了两种主要方法：自顶向下和自底向上，并详细阐述了几篇重要的论文，包括DeepPose、Stacked Hourglass Networks、Convolutional Part Heatmap Regression、FAN、CPN以及Fast Human Pose Estimation。这些工作通过深度神经网络解决关节定位挑战，提出了联合回归、多层网络结构和注意力机制等创新技术。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Human Pose Estimation

一、Definition：

  • defined as the problem of localization of human joints
  • challenges of this problem – strong articulations, small and barely visible joints

 

二、Two methods:

  1. Top-down：Locate Person -> Locate Joints
  2. Bottom-up： Locate All Joints -> which person

 

Paper

一、DeepPose（cvpr2014）

Title：DeepPose: Human Pose Estimation via Deep Neural Networks

Author：Alexander Toshev, Christian Szegedy (Google)

Main contributions:

1、formulate the pose estimation as a joint regression problem

              Using the entire image as input for each joint.

2、propose a cascade of DNN-based pose predictors

 

Method：

pose vector:

A labeled image:

Normalize the joint coordinates to

最低0.47元/天 解锁文章
【人体姿态估计】articulated pose estimation基础知识、博客、论文、数据集等资料整理
a529975125的博客
06-28 4088
人体姿态估计资料整理 目录 1. 基础知识 1.1相关术语 2. 博客 3. 论文 4. 数据集 基础知识 相关术语 articulated pose estimation: 关节姿态估计 博客 论文 《Convolutional Pose Machines》（CPM） CVPR-2016 The Robotics Institute ...
Fast single shot detection and pose estimation 论文笔记
白菜的博客
10-30 1263
建立了一个卷积网络以提供检测和视角（pose）估计
pose_estimation
06-11
手势识别代码 MATLAB 写的，从外面转过来的。。
OpenPose姿态估计（Pose Estimation）
噜噜噜噜鲁
10-29 1536
人体姿态估计通过图像或视频识别追踪人体关键部位重建姿态。主要方法有 TopDown 和 OpenPose。TopDown 分两步但存在缺点。OpenPose 先获关键点位置再拼接，利用热度图和高斯方法得关键点预测结果，通过 PAF 按顺序拼接关键点，利用权值确定连接，还介绍了 PAF 标签定义、权重计算和匹配方法。同时提到 CPM-Convolution Pose Machines 及整体框架。
姿态论文整理--04-Human pose estimation using global and local normalization
daniaokuye的专栏
11-25 1053
Human pose estimation using global and local normalization（中科大的论文）也是bottom-up，人体姿态估计分为两大部分，关节检测，关节的空间位置匹配。这篇论文主要将精力放到后者上面。对此提出了两阶段的归一化（感觉在这篇文章里面称为标准化更好），躯干的标准化，肢体的标准化。这篇文章的目的是想提出类似与PCA normalization（wh
3D Human Pose Estimation = 2D Pose Estimation + Matching(2017)
01-07
3D Human Pose Estimation = 2D Pose Estimation + Matching(2017) Abstract Many approaches try to directly predict 3D pose from image measurements,we explore a simple architecture that reasons through ...
3D Pose Estimation and 3D Model Retrieval for Objects in the Wild
07-04
We first present a 3D pose estimation approach for object categories which significantly outper- forms the state-of-the-art on Pascal3D+. Second, we use the estimated pose as a prior to retrieve 3D ...
DeepPose: Human Pose Estimation via Deep Neural Networks
06-05
《DeepPose ： Human Pose Estimation via Deep Neural Networks 》原始论文，其为第一篇应用深度神经网络于姿态估计领域（Human Pose Estimation）的文章。发表于CVPR2014。
Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields.docx
09-10
【文章概述】 本文介绍了《基于部位亲和场的实时多人二维位姿估计》的研究成果，该研究提出了一种新方法，能有效地检测图像中的多人二维姿势。这种方法利用非参数表示——部位亲和场（PAF），来学习将身体部位与...
POSE estimation，肢体估计HPE
u010451780的专栏
06-16 2100
http://www.elecfans.com/d/931144.html 从DeepNet到HRNet，这有一份深度学习“人体姿势估计”全指南 几十年来，人体姿态估计（Human Pose estimation）在计算机视觉界备受关注。它是理解图像和视频中人物行为的关键一步。 在近年深度学习兴起后，人体姿态估计领域也发生了翻天覆地的变化。 今天，文摘菌就从深度学习+二维人体姿态估计的开山之作DeepPose开始讲起，为大家盘点近几年这一领域的最重要的论文。 什么是人体姿势估计？ 人体姿态估计（
Segmentation-driven 6D Object Pose Estimation
qq_40378982的博客
03-22 312
目录1 物体分割2 关键点回归3 推理阶段 1 物体分割   物体分割网络分支基于encoder-decoder形似的网络，encoder部分采用了YOLOv3的Backbone Darknet-53，decoder部分并没有上采样得到原图尺寸的结果，所以分割的基本单位不是像素，而是文中所说的grid cell。 2 关键点回归   这里对物体6D位姿估计也是通过回归三维BBox的二维投影点坐标，不过并不是通过全局的回归，而是每个属于该物体的grid cell都进行关键点的回归。网络结构部分和分割分支一样
人体姿态识别-pose estimation
qq_turn
04-06 2151
6.1 介绍卷积网络
Human Pose Estimation 入门
qq_45776432的博客
11-10 424
Human Pose Estimation入门 （主要介绍内容是3D形态重建）
Summary——RMPE: Regional Multi-Person Pose Estimation
pan2635376816的博客
12-18 760
Research question： 如果单人的人体检测框不够准确，会影响多人体态估计的结果，本文就是要降低这种负面影响。 Contributions： 建立了一个 RMPE (Regional Multi-Person Pose Estimation)框架。 设计SSTN（symmetric spatial transformer network，对称空间变换网络），用于提升基于SPPE...
OpenCV-Python 姿态估计 | 五十
TensorFlowNews
03-12 2241
目标 在本章中 我们将学习利用calib3d模块在图像中创建一些3D效果。 基础 这将是一小部分。在上一次相机校准的会话中，你发现了相机矩阵，失真系数等。给定图案图像，我们可以利用以上信息来计算其姿势或物体在空间中的位置，例如其旋转方式， 对于平面物体，我们可以假设Z = 0，这样，问题就变成了如何将相机放置在空间中以查看图案图像。 因此，如果我们知道对象在空间中的位置，则可以在其中绘制一些2...
(4) Human Pose Estimation : 隐式学习结构信息 CPM
qq_17721239的博客
05-14 560
这样避免显式的添加结构先验，导致模型复杂，泛化能力低。目前大部分方法基于大感受野：扩大池化，增加卷积核，累加卷积层。但是过大的池化会牺牲精度，如果通过反卷积还原精度会添加额外信息。不断累加卷积层代价是梯度消失。增大卷积核相当于增加参数量，增加计算量。 成熟的设计思路包括，顺序卷积结构和基于沙漏网络结构。 1、顺序卷积结构：卷积姿态机：CPM 多阶段级联（cascaded）的深...
Human pose estimation via Convolutional Part Heatmap Regression
u013548568的博客
02-27 3200
1 文章整体分为两部分，第一部分是part 检测，第二部分是part regression作者的网络能够很好地解决这档这是因为对于遮挡的部位一般heatmap响应比较低，经过regression步之后这些低置信度的图对于后面的regress是不起作用的，之后的regress网络更多的依赖语义信息，也即其他部位的信息来正确的预测遮挡位置，这也是本篇文章的核心人体关键点的一个关键问题就是如何提取强大的...
Pose Estimation 入门理解
乐亦亦乐的博客
04-19 5118
姿态估计（Pose Estimation）也叫人体关键点检测。 2D姿态估计——从RGB图像估计每个关节的2D姿势（x,y）坐标 3D姿态估计——从RGB图像估计3D姿势（x，y，z）坐标。 人机交互 人体姿态检测方面面临的挑战： 一方面，关键点检测不仅存在背景干扰，还会由于背景的干扰或多个人体的相互遮挡使得关键部位缺失，给人体的关键点部位连接带来困难。 另一方面，人体不同关键点检测难易程度不同，对于较为灵活的关键点，如手臂、脚裸，手指等检测尤为困难。 针对
CV之IPE之PoseEstimation：Pose Estimation人体姿态估计的简介(AI识人,OpenPose+DeepCut+RMPE+Mask RCNN)、案例应用(活动识别)之详细攻略
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
08-25 5337
人体姿态估计，pose estimation，就是通过将图片中已检测到的人体关键点正确的联系起来，从而估计人体姿态。人体关键点通常对应人体上有一定自由度的关节，比如颈、肩、肘、腕、腰、膝、踝等，如上图。COCO输出格式：鼻子-0、脖子-1；右肩-2、右肘-3、右手腕-4、左肩-5、左肘-6、左手腕-7、右臀-8、右膝盖-9、右脚踝-10、左臀-11、左膝盖-12、左脚踝-13；右眼-14、左眼-15、有耳朵-16、左耳朵-17；背景-18.人体姿态骨架图 (skeleton) 用图形格式表示人的动作。
mamba pose estimation
最新发布
12-31
### Mamba框架用于计算机视觉中的姿态估计 Mamba是一个专注于加速机器学习和深度学习工作流程的工具集，在处理诸如人体姿态估计的任务时能够提供高效的支持。对于2D计算机视觉领域的人体姿态估计，通常涉及通过神经网络预测图像中人物的关键点位置[^1]。 #### 安装与配置 为了使用Mamba进行开发，首先需要安装该环境管理器以及必要的依赖库： ```bash conda install mamba -c conda-forge mamba create -n pose_estimation python=3.9 pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch -c nvidia ``` 这会创建一个新的虚拟环境中包含PyTorch和其他所需组件来支持GPU计算能力。 #### 数据准备 在开始训练之前，准备好适当的数据集非常重要。常用的数据集如COCO keypoints dataset包含了大量标注好的图片，可用于训练模型识别不同姿势下的身体部位。 #### 模型选择与实现 针对姿态估计任务可以选择预训练过的HRNet (High-Resolution Network)，它特别适合于保持高分辨率特征图从而提高定位精度。下面给出一段简单的代码片段展示如何加载并微调这样一个模型: ```python import torch from hrnet import HRNet # 假设已经定义好了HRNet类 model = HRNet() checkpoint = torch.load('path_to_pretrained_model.pth') model.load_state_dict(checkpoint['state_dict']) # 将模型设置为评估模式 model.eval() def predict_keypoints(image_tensor): with torch.no_grad(): output = model(image_tensor.unsqueeze(0)) return output.squeeze().cpu().numpy() # 返回预测得到的关键点坐标 ``` 上述代码展示了基于已有的HRNet架构来进行推理的过程；实际应用中可能还需要进一步调整参数以适应特定需求。
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