关键点检测评价指标OKS

OKS,全称为“Object Keypoint Similarity”,即目标关键点相似性。是一种常见地、用于评估2D关键点检测的指标

公式为: 

 描述为:

 Here di is the Euclidean distance between a detected keypoint and its corresponding ground truth, vi is the visibility flag of the ground truth, s is the object scale, and ki is a per-keypoint constant that controls falloff.

 翻译:这里d_i表示检测的关键点与对应GT关键点之间的欧氏距离。v_i为GT的可见性标志位,s表示目标的尺度因子,而k_i表示控制衰减的每关键点常量。

其中,v有三种取值

0表示未标注点,1表示标注了但是被遮挡,2表示标注了并且可见;

结合冲激函数\delta就可以通过v的取值把所有标注了的关键点筛选出来。

s表示当前人的尺度因子,这个值等于此人在groundtruth中所占面积的平方根,即\sqrt{(y_2-y_1)(x_2-x_1)}

k表示第i个骨骼点的归一化因子,这个因此是通过对数据集中所有groundtruth计算的标准差而得到的,反映出当前骨骼点标注时候的标准差, k越大表示这个点越难标注。

 

  • 2
    点赞
  • 22
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
PyTorch关键点检测是使用PyTorch框架进行关键点检测任务的一种方法。在关键点检测任务中,我们的目标是识别和定位图像中的特定关键点,例如人脸的眼睛、鼻子、嘴巴等部位。关键点检测在计算机视觉领域有广泛的应用,例如人脸识别、姿态估计等。 使用PyTorch进行关键点检测的过程通常包括以下几个步骤: 1. 数据准备:收集和标注包含关键点的图像数据集。关键点可以是一些特定位置的像素坐标,这些坐标对应于图像中的感兴趣部位。 2. 模型设计:使用PyTorch构建一个适用于关键点检测的深度学习模型。可以使用卷积神经网络(CNN)或其他适用的模型结构,以提取图像中的特征并预测关键点的位置。 3. 模型训练:使用标注好的数据集对模型进行训练。在训练过程中,通过最小化预测关键点和实际关键点之间的差异,来优化模型的参数。 4. 模型评估:使用评估指标(如均方误差或平均准确率)来评估模型的性能。可以使用预定义的系数数组(kpt_oks_sigmas)来评估预测关键点与真实关键点的匹配程度。 5. 模型应用:使用训练好的模型对新的图像进行关键点检测。可以使用预测结果来提取有关关键点的信息,如位置、姿态等。 需要注意的是,以上步骤是一个基本的框架,具体的实现方法会因任务需求、数据集特点和模型选择而有所不同。可以参考引用中的链接,了解更详细的关键点检测模型训练方法。 提供了关于关键点检测数据集中关键点可见性的信息。 是一篇关于使用PyTorch训练自定义关键点检测模型的中文博客。 是一个使用Python脚本进行图像关键点检测的示例。 提供了关于使用pycocotools评估预测关键点与真实关键点匹配程度的说明。<span class="em">1</span><span class="em">2</span><span class="em">3</span><span class="em">4</span>

“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

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

木盏

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