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
- 全新的界面设计 ,将会带来全新的写作体验;
- 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;
- 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;
- 全新的 KaTeX数学公式 语法;
- 增加了支持甘特图的mermaid语法1 功能;
- 增加了 多屏幕编辑 Markdown文章功能;
- 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;
- 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
- 项目
- 项目1
- 项目2
- 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 Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb N Γ(n)=(n−1)!∀n∈N 是通过欧拉积分
Γ ( z ) = ∫ 0 ∞ t z − 1 e − t d t . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=∫0∞tz−1e−tdt.
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。
注脚的解释 ↩︎