姿态估计 - Deep High-Resolution Representation Learning for Human Pose Estimation

最新推荐文章于 2024-03-21 09:51:15 发布
最新推荐文章于 2024-03-21 09:51:15 发布
阅读量389 收藏 2
点赞数 1
分类专栏： CV 文章标签： HRNet 姿态估计 计算机视觉
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/irving512/article/details/112556074
版权

文章目录

0. 前言

  • 相关资料：
  • 论文基本信息
    • 领域：姿态估计
    • 作者单位：中国科学技术大学&微软亚洲研究院
    • 发表时间：CVPR 2019
  • 一句话总结：提出一种新的backbone设计思路，即不同尺寸的特征图之间进行多次信息融合。

1. 要解决什么问题

  • 为了获取图像中的位置信息（如目标检测、姿态估计、图像分割任务），一种常见的解决方案是增加特征图的尺寸，一般网络就是先下采样再上采样，且下采样、上采样过程中相同尺寸的特征图之间可能有skip connection。
  • 现有的方法如下图
    • a是hourglass结构
    • b是cascade pyramid结构
    • c是simplebaseline结构
    • d中使用了空洞卷积
    • image-20210113103225458

2. 用了什么方法

  • 说白了，就是不同尺寸间特征图相互连接（有FPN的感觉，但也不完全是，毕竟1x的通道从头到尾都有）

    image-20210113103128774

  • 不同尺寸间特征图应该如何融合呢

image-20210113110112333

  • 最终结果预测好像用的就是最高尺寸的特征图，其他的没用上。

3. 效果如何

  • 横扫COCO/MPII/PoseTracking
    • image-20210113095654022
    • image-20210113095702339
    • image-20210113095715049

4. 还存在什么问题&可借鉴之处

  • 这种结构应该非常消耗算力和显存吧。毕竟连了这么多。
清欢守护者
关注
专栏目录
Deep-High-Resolution-Representation-Learning-for-Cross-Resolution-Person-Re-identification:IEEE多媒体交易杂志（正在审查中）
03-17
深度高分辨率表示学习用于交叉分辨率人员重新识别 IEEE多媒体交易杂志（正在审查中） 内容 :clipboard: 介绍 :bookmark: 我们提出了一种深度高分辨率伪暹罗框架（PS-HRNet），以解决跨分辨率人员的re-ID问题。...
Deep High-Resolution Representation Learning for Human Pose Estimation论文翻译
u010849057的博客
03-05 1300
@Densepose论文翻译 Deep High-Resolution Representation Learning for Human Pose Estimation论文翻译 Abstract 在本文中，我们对人体姿势估计问题感兴趣，重点是学习可靠的高分辨率表示。大多数现有方法从由高到低分辨率网络产生的低分辨率表示中恢复高分辨率表示。相反，我们建议的网络在整个过程中保持高分辨率的表示。我们从高...
DMTet 阅读笔记
duoyasong5907的博客
02-03 3069
DMTet
【姿态估计】Deep High-Resolution Representation Learning for Human Pose Estimation论文理解
qq_36926037的博客
05-13 1836
摘要   本文：   本文关注人体姿态估计问题，重点是学习可靠的高分辨率表征。现有的大多数方法都是从高到低分辨率网络产生的低分辨率表征中恢复高分辨率表征。相反本文提出的网络在整个过程中保持高分辨率表征：   （1）我们从一个高分辨率的子网开始作为第一阶段，将高分辨率到低分辨率的子网逐个添加，形成更多的阶段，并将多分辨率的子网并行连接。   （2）我们进行重复的多尺度融合，这样每一个高到低分辨率的表征都能从其他平行表征中反复接收信息，从而得到丰富的高分辨率表示。因此，预测的关键点热图具有更高的潜在精度和空间精
姿态估计——Deep High-Resolution Representation Learning for Human Pose Estimation阅读记录
乐亦亦乐的博客
11-08 1235
论文地址：https://arxiv.org/pdf/1902.09212.pdf github：https://github.com/leoxiaobin/deep-high-resolution-net.pytorch Deep High-Resolution Representation Learning for Human Pose Estimation Abstract 在本文中，我们对人体姿态估计问题...
人体姿态估计综述 2020最全
qq_45116161的博客
03-10 9962
Deep Learning-Based Human Pose Estimation:A Survey 摘要 ​ 应用：人机交互、运动分析、增强现实和虚拟现实等领域。 ​ 现状：最近发展的基于深度学习的方法在人体姿态估计中取得了较高的性能，但由于训练数据不足、深度模糊等问题，仍然存在挑战。 ​ 目的：通过对基于深度学习的二维和三维位姿估计方法进行系统的分析和比较，根据它们的输入数据和推理过程，对目前基于深度学习的二维和三维位姿估计方法进行全面的综述。 引言 ​ 在HPE任务中使用深度学习技术已经取得了显著的进
Disentangled Representation Learning GAN for Pose-Invariant Face Recognition
09-16
文章的主要贡献是提出了一种新颖的生成对抗网络（GAN）架构——Disentangled Representation Learning GAN（简称DR-GAN），用于实现不受姿态影响的人脸识别（Pose-Invariant Face Recognition，PIFR）。 ### 人脸...
deep-high-resolution-net.pytorch-master.zip
04-28
最新姿态估计模型HRnet 论文：Deep High-Resolution Representation Learning for Human Pose Estimation, Sun etc, CVPR 2019
Meta-Learning Update Rules for Unsupervised Representation Learn
08-03
本文提出的“Meta-Learning Update Rules for Unsupervised Representation Learning”（无监督特征学习的元学习更新规则）针对这一问题，提出了一个新的策略。作者们直接将半监督分类性能作为目标，通过元学习来...
Multi-Perspective-LSTM-for-Joint-Visual-Representation-Learning
03-20
LSTM联合视觉表示学习的多视角 MPLSTM — TensorFlow-Keras正式实施用于联合视觉表示学习的多视角LSTM Alireza Sepas-Moghaddam，Fernando Pereira，Paulo Lobato Correia，Ali Etemad CVPR'21论文： ：//arxiv.org/...
深度高分辨率网络（Deep High-Resolution Net, HRNet）: 探索图像识别的新境界
最新发布
gitblog_00044的博客
03-21 495
深度高分辨率网络（Deep High-Resolution Net, HRNet）: 探索图像识别的新境界 deep-high-resolution-net.pytorchThe project is an official implementation of our CVPR2019 paper "Deep High-Resolution Representation Learning for...
Deep High-Resolution Representation Learning for Visual Recognition阅读笔记
AnZhiJiaShu's blog
05-08 2311
用于视觉识别的深度高分辨率表征学习 论文链接 摘要： 高分辨率表示对于人体姿态估计、语义分割和目标检测这类位置敏感的视觉问题至关重要。现有的 sota 框架首先通过一个 high-to-low 分辨率卷积串联（例如ResNet、VGGNet）形成的子网将输入图像编码为低分辨率表示，然后从编码的低分辨率表示中恢复高分辨率表示。但是，HRNet在整个过程中保持高分辨率表示。HRNet 有两个关键特征：(i) 并行连接 high-to-low 分辨率卷积流；(ii) 在不同分辨率之间反复交换信息。这样能够使 H
论文笔记--(HRNet)用于人类姿势估计的深度高分辨率表征学习(Deep High-Resolution Representation Learning for Human Pose Estima)
Thewindking的博客
04-10 3231
因为大多数现有的姿势估计学习常用的方法是提取图象的低分辨率特征，然后从低分辨率恢复高分辨率进行预测。但是在恢复高分辨率表征时，会丢失信息。HRNet提出一种网络使其在整个过程中保持高分辨率的表征。   HRNet网络从一个高分辨率子网络开始，逐渐增加高到低的子网络以形成更多的阶段，并平行连接多分辨率的子网络。每个高-低分辨率的表征都能反复接收其他平行表征的信息，从而形成丰富的高分辨率表征（）通过反复融合由高到低的子网络产生的表征，产生可靠的高分辨率表征）
【论文笔记】Deep High-Resolution Representation Learning for Human Pose Estimation
m0_58678659的博客
11-04 534
在本文中，作者对人类姿势估计问题感兴趣，重点是学习可靠的高分辨率表示。大多数现有方法从高到低分辨率网络产生的低分辨率表示中恢复高分辨率表示。相反，作者建议的网络在整个过程中保持高分辨率表示。我们从高分辨率子网作为第一阶段开始，逐步逐个添加高到低分辨率子网，形成更多的阶段，并并行连接多分辨率子网。进行重复的多尺度融合，以使每个高到低分辨率表示一次又一次地从其他并行表示接收信息，从而产生丰富的高分辨率表示。结果，预测的关键点热图可能更准确，并且在空间上更精确。
（粗翻译）Deep High-Resolution Representation Learning for Human Pose Estimation——CVPR2019
hshs0594的博客
03-12 1036
啊吧啊吧
Deep High-Resolution Representation Learning for Human Pose Estimation
邹小驴
03-27 180
网络结构图： 就图上分析： stage_1网络结构： 4个residual unit，每一个residual unit都是与resnet_50中的bottneck相同，如下图的右边的那个，一共有4个右边那个bottneck。其中channel是64. 为了将最后输出的featuremap channel变成hrnet32，或者48中的32 or48 需要后面接一个3*3卷积。 stage_2网络结构： 1）由4个exchange blocks组成，其中每一个exchange blocks
【HRNet】《Deep High-Resolution Representation Learning for Human Pose Estimation》
bryant_meng
09-01 1722
CVPR-2019 代码：https://github.com/leoxiaobin/deep-high-resolution-net.pytorch 文章目录1 Background and Motivation2 Related Work3 Advantages / Contributions4 Method5 Experiments5.1 Datasets5.2 COCO Key-point Detection5.3 MPII Human Pose Estimation5.4 Applicati.
Deep High-Resolution Representation Learning for Human Pose Estimation (CVPR 2019)
To be a better man
04-24 2844
My environment Ubuntu18.04,3090 when you download code from https://github.com/leoxiaobin/deep-high-resolution-net.pytorch Configure for the code Upgrade your pip python -m ensurepip python -m pip install --upgrade pip modify the requirement
【论文阅读】结合检测和跟踪进行视频中的人体姿势估计（Combining detection and tracking for human pose estimation in videos）
miracleoa的博客
07-11 3605
文章目录摘要一、介绍（1）本文方法（2）本文贡献二、相关工作（1）图片中的人类姿态估计（2）视频中的人类姿态估计和追踪参考 论文原文地址 摘要 我们提出了一种新颖的自上而下的方法，可以解决视频中多人人体姿势估计和跟踪的问题。 与现有的自上而下的方法相反，我们的方法不受其人员检测器性能的限制，并且可以预测未定位的人员实例的姿势。 它通过在时间上向前和向后传播已知人员的位置并搜索那些区域中的姿势来实现此功能。 我们的方法包括三个部分： （i）一个剪辑跟踪网络，可以对小视频剪辑同时执行人体关节检测和跟踪； （ii
deep high-resolution representation learning for visual recognition
01-09
深度高分辨率表示学习是一种用于视觉识别的技术，旨在从图像中学习到更高质量和更具表达力的特征表示。在传统的视觉识别任务中，如图像分类、目标检测和语义分割，传统的特征表示方法通常提取低级或中级特征，这些特征可能无法有效地捕捉到图像的复杂信息。而深度高分辨率表示学习通过多层神经网络的结构和大规模训练数据来学习更深层次、更富有语义的图像特征。 深度高分辨率表示学习方法通常包含以下几个关键步骤：首先，通过使用深度卷积神经网络（DCNN）架构来学习特征表示。DCNN是一种层次结构复杂、能够从原始像素数据中自动学习特征的神经网络。其次，利用大规模的标注数据进行训练，通过反向传播算法来更新网络的权重和偏置参数，从而最小化预测误差。最后，在训练过程中采用一些优化策略，如数据增强、正则化和优化器选择等，以提高网络的泛化能力和识别性能。 深度高分辨率表示学习在计算机视觉领域有着广泛的应用。一方面，它可以用于图像分类，通过学习到的高质量特征表示，可以在分类任务中获得更高的准确性和鲁棒性。另一方面，它也可以用于目标检测和语义分割任务，通过学习到的特征表示，可以更准确地定位和分割图像中的对象。此外，深度高分辨率表示学习还可以用于识别特定的物体、场景或人脸，从而应用于人脸识别、目标跟踪和智能安防等领域。 总之，深度高分辨率表示学习是一种能够有效提高视觉识别任务准确性和鲁棒性的技术。它通过学习到更深层次、更富有语义的图像特征表示，提供了更强大的图像分析和理解能力，为计算机视觉领域的各种应用提供了重要的支持。
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