Peeking into occluded joints: A novel framework for crowd pose estimation源码解读

Peeking into occluded joints: A novel framework for crowd pose estimation

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

主要思想

1、主要应对问题
该工作主要针对的是2D人体姿态估计(2D-Human Pose Estimation)中的遮挡(occluded)问题进行的处理。针对不可见关节点，作者采用的是综合推断的方式进行处理。
2、工作整体框架

1. 全新的界面设计 ，将会带来全新的写作体验；
2. 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
3. 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
4. 全新的 KaTeX数学公式 语法；
5. 增加了支持甘特图的mermaid语法¹ 功能；
6. 增加了 多屏幕编辑 Markdown文章功能；
7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
8. 增加了 检查列表 功能。

代码运行流程

1、训练代码总览
首先为设置训练参数

args = opt 		# 此处为解析参数，opt文件储存可变参数
assert args.config is not None,"you must give your model config"
# config文件为训练前指定，可选择文件为configs文件夹中的文件
# 此处必须指定config文件，否则代码无法继续运行
cfg = Config.fromfile(args.config)		
# 此处将指定的config文件中的参数传入元祖cfg中

接下来需要生成训练数据集和测试数据集

    train_data_set = build_dataset(cfg.data.train)
    # 通过build_dataset()函数生成训练数据集
    train_loader = DataLoader(train_data_set,batch_size=opt.trainBatch,shuffle=True,num_workers=4,collate_fn=train_loader_collate_fn)
    # 采用pytorch内置函数进行训练数据的载入
    test_data_set = build_dataset(cfg.data.test)
    # 通过build_dataset()函数生成测试数据集
    test_loader = DataLoader(test_data_set,batch_size=opt.validBatch,shuffle=False,num_workers=4,collate_fn=test_loader_collate_fn)
    # 采用pytorch内置函数进行测试数据的载入

build_dataset()函数为engineer/datasets/builder.py中的内置函数。

def build_dataset(cfg, default_args=None):
    dataset = build_from_cfg(cfg, DATASETS, default_args)
    # 将cfg参数、dataset传入build_from_cfg()函数中
    return dataset

此处调用engineer/registry/registry.py中的build_from_cfg()函数

# 此函数的参数为可选cfg参数和registry类
def build_from_cfg(cfg, registry, default_args=None):
    """Build a module from config dict.
	创建一个基于config字典的模型
    Args:
        cfg (dict): Config dict. It should at least contain the key "type".
        registry (:obj:`Registry`): The registry to search the type from.
        default_args (dict, optional): Default initialization arguments.

    Returns:
        obj: The constructed object.
    """
    assert isinstance(cfg, dict) and 'type' in cfg
    assert isinstance(default_args, dict) or default_args is None
    args = cfg.copy()
    obj_type = args.pop('type')
    if str(obj_type):
        obj_cls = registry.get(obj_type)

        if obj_cls is None:
            raise KeyError('{} is not in the {} registry'.format(
                obj_type, registry.name))
    elif inspect.isclass(obj_type):
        obj_cls = obj_type
    else:
        raise TypeError('type must be a str or valid type, but got {}'.format(
            type(obj_type)))
    if default_args is not None:
        for name, value in default_args.items():
            args.setdefault(name, value)
    return obj_cls(**args)

创建checkpoints路径

cfg.checkpoints = os.path.join(cfg.checkpoints,cfg.name)
    if not os.path.exists(cfg.checkpoints):
        os.mkdir(cfg.checkpoints)

接下来是生成初始姿态

    if "Alpha.py" in args.config:
        pose_generator =None
    else:
    # 此处调用build_generator()函数生成姿态
        pose_generator = build_generator(cfg.pose_generator)
    device = torch.device("cuda")	# 调用cuda

此时调用engineer/models/builder.py中的buildz_generator()函数生成姿态

def build_generator(cfg):
    return build(cfg, GENERATOR)

此处build函数为同一模块中的调用

def build(cfg, registry, default_args=None):
    if isinstance(cfg, list):
        modules = [
            build_from_cfg(cfg_, registry, default_args) for cfg_ in cfg
        ]
        return nn.Sequential(*modules)
    else:
        return build_from_cfg(cfg, registry, default_args)
        # 此处函数直接返回build_from_cfg()函数生成的值，生成模型

接下来为gcn模块的生成

# 首先调用engineer/models/builder.py中的
# build_backbone()函数去生成backbone模型
model_pos = build_backbone(cfg.model).to(device).to(device)
model_pos.train() # 此处调用pytorch内置的train()函数

调用的backbone()函数

def build_backbone(cfg):
    return build(cfg, BACKBONES)

def build(cfg, registry, default_args=None):
    if isinstance(cfg, list):
        modules = [
            build_from_cfg(cfg_, registry, default_args) for cfg_ in cfg
        ]
        return nn.Sequential(*modules)
    else:
        return build_from_cfg(cfg, registry, default_args)

此处为优化器的相关设置

param_list = []
for module in model_pos.gcn_head:
    params_list = group_weight.group_weight(param_list,module,args.LR)
for module in model_pos.heat_map_head:
    params_list = group_weight.group_weight(param_list,module,1e-3)
for module in model_pos.generator_map:
    params_list = group_weight.group_weight(param_list,module,1e-3)
criterion = nn.L1Loss(size_average=True,reduce=True).to(device)
optimizer = torch.optim.Adam(params_list, lr=args.LR)
cfg.LR=args.LR
cfg.nEpochs = args.nEpochs

接下来是训练过程，调用engineer/core/train.py中的train_epochs()方法。

train_epochs(model_pos, optimizer, cfg, args, train_loader, pose_generator, criterion,test_loader,cfg.pred_json)

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G
查找：Ctrl/Command + F
替换：Ctrl/Command + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H₂O is是液体。

2¹⁰ 运算结果是 1024.

插入链接与图片

链接: link.

图片:

带尺寸的图片:

居中的图片:

居中并且带尺寸的图片:

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

• 项目
  • 项目
    • 项目

1. 项目1
2. 项目2
3. 项目3

• 计划任务
• 完成任务

创建一个表格

一个简单的表格是这么创建的：

项目	Value
电脑	$1600
手机	$12
导管	$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列	第二列	第三列
第一列文本居中	第二列文本居右	第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPE	ASCII	HTML
Single backticks	'Isn't this fun?'	‘Isn’t this fun?’
Quotes	"Isn't this fun?"	“Isn’t this fun?”
Dashes	-- is en-dash, --- is em-dash	– is en-dash, — is em-dash

创建一个自定义列表

Markdown

Text-to- HTML conversion tool

Authors

John

Luke

如何创建一个注脚

一个具有注脚的文本。²

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 $\Gamma (n)=(n-1)!\forall n\in \mathbb{N}$ 是通过欧拉积分

$$\Gamma (z)={\int }_0^{\infty }{t}^{z-1}{e}^{-t}dt.$$

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

• 关于 甘特图 语法，参考 这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：

这将产生一个流程图。:

• 关于 Mermaid 语法，参考 这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

• 关于 Flowchart流程图 语法，参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

---

1. mermaid语法说明 ↩︎

2. 注脚的解释 ↩︎