hrnet笔记

最新推荐文章于 2022-11-18 18:42:22 发布
最新推荐文章于 2022-11-18 18:42:22 发布
阅读量2.7k 收藏
点赞数
分类专栏： 姿态检测 深度学习宝典
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/jacke121/article/details/105801339
版权
HRNet是由中科大和微软亚洲研究院提出的一种新型神经网络，用于人体姿态估计，它在COCO数据集的三项任务中取得了最佳成绩。其独特之处在于保持高分辨率特征表示，从而提高识别效果。此外，HRNet也被应用于人脸识别和分割任务，具有一定的实时性。相关代码库和资源链接已提供。
摘要由CSDN通过智能技术生成

这个有简单代码：

https://github.com/lizhe960118/Deep-Learning

 

High resolution 高分辨率网络

中科大和微软亚洲研究院，发布了新的人体姿态估计模型，刷新了三项COCO纪录，还中选了CVPR 2019。

这个名叫HRNet的神经网络，拥有与众不同的并联结构，可以随时保持高分辨率表征，不只靠从低分辨率表征里，恢复高分辨率表征。如此一来，姿势识别的效果明显提升：

在COCO数据集的关键点检测、姿态估计、多人姿态估计这三项任务里，HRNet都超越了所有前辈。

 

https://github.com/icicle4/SuperResulation-HRNet

 

人体姿态，有权重

https://github.com/stefanopini/simple-HRNet

这个网络384*288，cpu1.8s

1070 gpu 130ms，特别慢

<
了解本专栏 订阅专栏 解锁全文 超级会员免费看
AI算法网奇
关注
专栏目录
订阅专栏
HRNet阅读笔记及代码理解
爱CV
12-28 1657
HRNet阅读笔记及代码理解 摘要： 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，本文在整个过程中保持高分辨率的表示。我们将高分辨率子网开始作为第一阶段，逐步添加高到低分辨率子网以形成更多阶段，并行连接多个子网，每个子网具有不同的分辨率。我们进行重复的多尺度融合，使得高到低分辨率表示可以重复从其他分辨率的表示获取信息，从而导致丰富的高分辨率表示。因此，预测的关键点热图可能更准确，空间更精确。 1. 简介 1.1 现有方法 (a) 对称结构，先下采样，再上采样
pose_hrnet_w48_256x192.pth
06-28
HRnet网络用于人体姿态估计的模型，pytorch实现的模型，w48_256x192，实现说明位于https://github.com/leoxiaobin/deep-high-resolution-net.pytorch/tree/master/demo，原来位于谷歌网盘
HRNet 【demo 复现过程】
qq_45257495的博客
08-18 4178
Deep High-Resolution Representation Learning for Human Pose Estimation
HRNet运行python demo/inference.py报错
hdyan1118的博客
11-18 698
HRNet
项目实战：HRNet-Semantic-Segmentation
weixin_43723625的博客
06-28 1365
代码和论文下载：在paperwithcode网站搜索HRNet 代码下载到自己的电脑： 代码：根据自己笔记本电脑的情况重新改写了源代码（不完整，主要是为了分析生成器结构写的），去掉了一些无关紧要的内容，但是主体是没变的。所以后面的讲解时根据改写的代码分析。 链接：https://pan.baidu.com/s/13LiJZWraoxLW7l6cdFEjpQ 提取码：hrug train.py 当前的工作目录是HRNet_project，执行train.py训练模型的函数后会进入main.py ma.
HRNet-Semantic-Segmentation图像，视频推理
qq_38109843的博客
06-10 1041
源码：https://github.com/HRNet/HRNet-Semantic-Segmentation/，我用的是pytorchv1.1分支。 这么好的项目居然没有inference代码，于是自己整理了一个简单的demo。 jit和onnx model导出 jit模型需要torch>=1.8 import torch import torchvision import argparse import _init_paths from config import config from conf
论文笔记——HRNet
Sciws的博客
09-19 256
这篇论文中主要研究人的姿态问题，着重于输出可靠的高分辨率表征。现有的大多数方法都是从高分辨率到低分辨率网络(high-to-low resolution network)产生的低分辨率表征中恢复高分辨率表征。相反，这篇文章提出的网络能在整个过程中都保持高分辨率的表征。模型从高分辨率子网络(high-resolution subnetwork)作为第一阶段开始，逐步增加高分辨率到低分辨率的子网，形成更多的阶段，并将多分辨率子网并行连接。
HRNet
qq_39862223的博客
10-29 2221
论文链接：https://arxiv.org/abs/1902.09212 代码链接：https://github.com/leoxiaobin/deep-high-resolution-net.pytorch 论文源码分析： 1 源码准备 在指定文件夹下，输入命令： git clone https://github.com/leoxiaobin/deep-high-resolution-net.pytorch.git 下载完成后，得到HRNet源码 2 源码结构 下表列出HRNet中比较重要的文件： .
《HRNet-OCR：Object-Contextual Representations for Semantic Segmentation》论文笔记
m_buddy的博客
04-03 1506
参考代码：HRNet-OCR 1. 概述 导读：这篇文章研究了语义分割中上下文信息的提取与表达，其方法设计的灵感来自于：分割中一个像素的label是其对应目标（object）的类别，那么基于此文章便是通过不同object区域的表达去关联并表达一个像素（特征图上）的信息，从而建立更加具有区分性质的上下文信息。对此完成该目的需要3个步骤： 1）通过在GT的监督训练下得到图片的分割结果； 2）在分割结果的基础上按照分割的类别划分区域（对应文章的object），使用区域中像素去计算区域的表达（OCR，Object
pose_hrnet_w48_256x192.zip
08-26
人体姿态估计的模型，用于HOReID，pytorch版本，解压即可使用，注意网络结构必须名字一致否则读取失败！
pose_hrnet_w32_256x256.pth
06-11
HRNet的官方预训练权重，包含3个权重，这是其中一个： MPII w32 256x256 (MPII human joints) pose_hrnet_w32_256x256.pth
HRNet-works-master.zip
最新发布
04-16
压缩包内的"a.txt"可能是一个文本文件，通常用于记录笔记、配置信息或者简单的说明。具体内容需要解压后查看，但一般不包含核心代码或模型。 "HRNet-works-master"这个文件可能是一个包含整个项目结构的文件夹，...
High-Resolution Net(HRNet) 论文笔记
qq_30146937的博客
03-12 1646
前言
人体姿态估计 HRNet C++版
xz1203的博客
04-25 3943
最近由于项目原因，需要用到HRNet网络，加上前面的目标检测部分，使用python版本的代码运行太慢，于是想到了用c++来重写HRNet，将pytorch的模型文件转换为onnx，采用onnx的c++的推理库。然后目标检测网络采用轻量级的nanodet，同时也采用onnx进行推理。最后，在我的笔记本电脑上（GTX960M）进行单人的姿态估计也跑到了20帧左右。其中nanodet是0.01s左右，hrnet是0.04s左右，hrnet是w32_256*192的模型转换而来的。多人的话时间就是成倍增长。
HRNet论文笔记
xiaolouhan的博客
05-12 1万+
HRNet：Deep High-Resolution Representation Learning for Human Pose Estimation[github]（CVPR2019）这是一篇state-of-the-art级别的论文； 本文为精读翻译稿，其中也会有些知识点讲解和笔记跳转。
人体姿态检测—HRNet分析与实现（一）
热门推荐
weixin_43925119的博客
11-18 1万+
点击查看原文：《Deep High-Resolution Representation Learning for Human Pose Estimation》 在HRNet论文中主要研究人体姿态估计问题，着重于输出可靠的高分辨率表征。现有的大多数方法都是从高分辨率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。而HRNet能在整个过程中都保持高分辨率的表征。高分辨率子网络作为第一阶段开始，逐步增加高分辨率到低分辨率的子网，形成更多的阶段，并将多分辨率子网并行连接进行多次多尺度融合，使得每一个高分辨率到低
工业缺陷检测项目实战(四)——基于HRNet的陶瓷缺陷检测
weixin_39735688的博客
12-26 3600
代码下载链接：https://gitee.com/wxyfmq123456/HRNet-Image-Classification?数据下载链接：https://aistudio.baidu.com/aistudio/datasetdetail/32615。每个文件夹代表一个类型，里面的图片全部都是二值化图片（.png），原图（.jpg）可以删去或者备份在其他地方。这里数据集已经提供了二值化图像的png，我们需要用png图像进行训练。其他参数，比如迭代次数epoch，bath_size等，可以自己调参。
hrnet tensorrt
09-13
HRNet是一个高分辨率网络，用于图像识别和语义分割任务。TensorRT是NVIDIA的一个推理优化器和运行时引擎，用于在GPU上进行深度学习的加速推理。 要将HRNet与TensorRT结合使用，需要进行一些步骤。首先，将hrnet_ocr_w48.wts文件复制到TensorRTX项目的hrnet/hrnet-semantic-segmentation目录下。 然后，将TensorRTX项目hrnet目录下的hrnet-semantic-segmentation目录复制到宿主机的/home目录下，也就是容器的/workspace目录下，这是在构建环境时指定的目录。 最后，修改hrnet/hrnet-semantic-segmentation目录下的hrnet_ocr.cpp文件，以满足你的需求。 通过这些步骤，你就可以将HRNet与TensorRT结合使用，并进行相应的图像识别和语义分割任务。
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

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