人体姿态2024

RTMO是一个单阶段姿态估计框架,通过YOLO架构和双一维Heatmap实现高精度与实时性能的平衡。在COCO上超越现有方法,同时保持高速度。exl_pose模型则是315M大小的模型,关注姿态估计领域。2020年的CenterMulti和centerpose则致力于目标检测、人脸对齐和姿态估计。
摘要由CSDN通过智能技术生成

目录

2024年:

RTMO

exl_pose 模型315M

2020年:

GitHub - bleakie/CenterMulti: 基于CenterNet训练的目标检测&人脸对齐&姿态估计模型

GitHub - tensorboy/centerpose: Push the Extreme of the pose estimation


2024年:

RTMO

实时多人在图像中的姿态估计面临着在速度和精度之间实现平衡的重大挑战。尽管两阶段的上下文方法在图像中人数增加时会减慢速度,但现有的单阶段方法往往无法同时实现高精度和实时性能。

本文介绍了RTMO,这是一个单阶段姿态估计框架,通过在YOLO架构中使用双一维 Heatmap 来表示关键点,实现与自上而下方法相当的准确度,同时保持高速度。作者提出了一种动态坐标分类器和一种定制的损失函数,用于 Heatmap 学习,专门针对坐标分类和密集预测模型之间的不兼容性。

RTMO在单阶段姿态估计器中超过了最先进的方法,在COCO上实现了1.1%更高的AP,同时使用相同的基础架构约9倍的速度。作者的最大模型RTMO-l在COCO val2017上达到了74.8%的AP,并在单个V100 GPU上实现了141 FPS,证明了其效率和准确性。

代码和模型:https://github.com/open-mmlab/mmpose/tree/dev-1.x/projects/rtmo

原文链接:https://blog.csdn.net/jacke121/article/details/135040186

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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