Deep High-Resolution Representation Learning for Human Pose Estimation论文解析

最新推荐文章于 2022-11-04 11:38:57 发布
最新推荐文章于 2022-11-04 11:38:57 发布
阅读量9.2k 收藏 20
点赞数 7
分类专栏： Human Pose Estimation
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/ls83776736/article/details/87993726
版权
HRNet由微软亚洲研究院和中科大提出，它在整个人体姿态估计过程中保持高分辨率特征图，不同于传统方法的下采样和恢复。模型通过并行的低分辨率子网络实现多尺度特征提取，确保了空间精度。该方法的优势在于并行连接高、低分辨率网络，提供更精确的热力图预测。
摘要由CSDN通过智能技术生成

High-Resoultion Net(HRNet)由微软亚洲研究院和中科大提出，发表在CVPR2019。

模型的主要特点是在整个过程中特征图（Feature Map）始终保持高分辨率，这与之前主流方法思路上有很大的不同。在HRNet之前，2D人体姿态估计算法是采用（Hourglass/CPN/Simple Baseline/MSPN等）将高分辨率特征图下采样至低分辨率，再从低分辨率特征图恢复至高分辨率的思路（单次或重复多次），以此过程实现了多尺度特征提取的一个过程。

HRNet在整个过程中保持特征图的高分辨率，但多尺度特征提取是姿态估计模型一定要实现的过程，那么HRNet是如何实现多尺度特征提取的呢？模型是通过在高分辨率特征图主网络逐渐并行加入低分辨率特征图子网络，不同网络实现多尺度融合与特征提取实现的。

 

上图为模型结构，横向表示模型深度变化，纵向表示特征图尺度变化。第一行为主干网络（特征图为高分辨率），作为第一阶段，并逐渐并行加入分辨率子网络建立更多的阶段（如上图

最低0.47元/天 解锁文章
菜鸡要努力
关注
  • 7
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【姿态估计】Deep High-Resolution Representation Learning for Human Pose Estimation论文理解
qq_36926037的博客
05-13 1782
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
（粗翻译）Deep High-Resolution Representation Learning for Human Pose Estimation——CVPR2019
hshs0594的博客
03-12 1017
啊吧啊吧
【HRNet】《Deep High-Resolution Representation Learning for Human Pose Estimation》
bryant_meng
09-01 1702
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》
正在挣扎中的人
12-03 309
总结HRNet
姿态估计之2D人体姿态估计 - （HRNet）Deep High-Resolution Representation Learning for Human Pose Estimation（多家综合）
light169的专栏
06-13 3381
本文提出的网络在整个过程中保持高分辨率表征：   （1）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）执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它平行表征中反复接收信息，从而得到丰富的高分辨率表征。因此，预测的关键点热图可能更准确、空间上更精确。.........
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。...
Multi-Task Representation Learning for Demographic Prediction
02-10
Multi-Task Representation Learning for Demographic Prediction
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
Disentangled Representation Learning GAN for Pose-Invariant Face Recognition
09-16
2017CVPR人脸识别文章Disentangled Representation Learning GAN for Pose-Invariant Face Recognition
论文笔记—Recent Advances in Autoencoder-Based Representation Learning.pdf
06-01
在很少或没有监督的情况下学习有用的表示是人工智能的一个关键挑战。我们深入回顾了表示学习的最新进展，重点关注基于自编码器的模型。为了组织这些结果，我们使用了被认为对下游任务有用的元先验，比如特征的解缠和...
Python-用于人体姿态估计的深度高分辨率表示学习
08-11
The project is an official implement of our CVPR2019 paper "Deep High-Resolution Representation Learning for Human Pose Estimation"
deep-high-resolution-net.pytorch：该项目是CVPR2019论文“用于人体姿势估计的深度高分辨率表示学习”的正式实施。
02-05
用于人体姿势估计的深度高分辨率表示学习（CVPR 2019） 新闻 [2020/07/05]来自Towards Data Science的，介绍了HRNet和HigherHRNet用于人体姿态估计。 [2020/03/13] TPAMI接受了更长的版本：。 它包含了更多的HRNet应用程序，并且提供了以下代码：，异物，和。 [2020/02/01]我们为HRNet添加了演示代码。 感谢 。 用于显示姿态估计结果的可视化代码。 谢谢德普！ [2019/08/27] HigherHRNet现在在，这是一种由HRNet支持的自下而上的人体姿态估计方法。 我们还将在发布代码和模型，！ 上提供
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 1215
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...
HRNet（cvpr2019）：Deep High-Resolution Representation Learning for Human Pose Estimation （并行高分辨率保持）
Sesen的木屋
09-05 1131
Deep High-Resolution Representation Learning for Human Pose Estimation （CVPR2019） HRNet由微软亚洲研究院和中科大共同提出。定义了一个通用的计算机视觉网络框架 HRNet，在图像分类，语义分割，目标检测，人脸特征点检测等多个任务上的测试结果全面吊打当前网络框架，不仅精度提升了，网络参数量和计算量也降低了，并且给...
【论文笔记】Deep High-Resolution Representation Learning for Human Pose Estimation
m0_58678659的博客
11-04 514
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。
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 3189
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）
Deep High-Resolution Representation Learning for Human Pose Estimation
邹小驴
03-27 174
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
deep high-resolution representation learning for visual recognition
最新发布
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...
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