《Real-time 2D Multi-Person Pose Estimation on CPU：Lightweight OpenPose》论文笔记

最新推荐文章于 2024-08-08 07:55:23 发布
最新推荐文章于 2024-08-08 07:55:23 发布
阅读量1.5k 收藏 11
点赞数
分类专栏： Human Pose Estimation 文章标签： Lightweight OpenPose
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/m_buddy/article/details/108191197
版权
本文详细介绍了对OpenPose的轻量化改进，通过使用MobileNet-V1替换VGG-19并简化优化阶段，实现了在CPU上的实时2D多个人体关键点检测。尽管参数量仅为410万，浮点运算次数减少到90亿次，但精度仅下降1个点。实验表明，通过调整网络结构和后处理步骤，能够在保持性能的同时显著提高运行速度。
摘要由CSDN通过智能技术生成

参考代码：lightweight-human-pose-estimation.pytorch

1. 概述

导读：这篇文章是在OpenPose的基础上进行轻量化改进，从而使得整体网络能在Intel的CPU上达到实时的运行效果。对此文章的算法也是相当轻量级的只有410w的参数90亿的浮点运算，是含有两阶段优化OpenPose的15%，但是其AP（Average Precision）只降低了1个点。自然文章对原有OpenPose进行了加多的改进，从而使其在速度上得到提升。

2. 方法设计

OpenPose是bottom-up的关键点检测算法，其运行流程可以分为两个部分，见下图所示：
在这里插入图片描述

  • 1）CNN网络输出两个特征图：关键点heatmaps和PAFs，这里特征图的stride=8；
  • 2）将关键点按照人进行聚合得到属于这个人的关键点；

2.1 OpenPose计算复杂性分析

在OpenPose中使用VGG-19作为其backbone之后添加额外的conv4_3/conv4_4卷积层，之后经过initial网络添加5个连接的refinment stage，

最低0.47元/天 解锁文章
m_buddy
关注
专栏目录
Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields ∗ 源代码
12-18
Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields ∗ 源代码　open pose 实时人体姿态估计 caffe+python+matlab
论文《Real-time 2D Multi-Person Pose Estimation on CPU: Lightweight OpenPose》阅读，基于openpose的轻量级cup实时运行实现
heweiting123的博客
04-30 2144
论文原地址：https://arxiv.org/pdf/1811.12004.pdf 原openpose分析 作者一开始就分析原openpose的网络算法，原openpose的backbone是VGG-19。原openpose的refinement stage有5个阶段。并且坐着把5个refinement stage的正确率测试了一下，发现从第一个refinement stage1之后，正确率...
Lightweight Human Pose Estimation 使用教程
最新发布
gitblog_00886的博客
08-08 778
Lightweight Human Pose Estimation 使用教程 lightweight-human-pose-estimation.pytorchFast and accurate human pose estimation in PyTorch. Contains implementation of "Real-time 2D Multi-Person Pose Estimati...
lightweight-human-pose-estimation-3d-demo.pytorch:PyTorch中的实时3D多人姿势估计演示。 OpenVINO后端可用于在CPU上进行快速推断
05-12
实时3D多人姿势估计演示 该存储库包含PyTorch中的3D多人姿势估计演示。 英特尔OpenVINO:trade_mark:后端可用于在CPU上进行快速推断。 该演示基于和纸张的。 它可以检测多达18种关键点的2D坐标：耳朵，眼睛，鼻子，脖子，肩膀，肘部，手腕，臀部，膝盖和脚踝，以及它们的3D坐标。 在和数据集上进行了训练，并在CMU Panoptic子集上实现了100 mm MPJPE（每个关节位置误差的平均值）。 该存储库与显着重叠，但是仅包含3D人体姿势估计演示所需的代码。 这项工作的主要部分是由 ）完成的，当时她是 :TOP_arrow: :rocket: :fire: 在英特尔实习。 目录 要求 Python 3.5（或更高版本） CMake 3.10（或更高版本） C ++编译器（g ++或MSVC） OpenCV 4.0（或更高版本） [可选] Intel OpenVINO，用于快速推断CPU。 [可选] NVIDIA T
轻量级人体姿态估计lightweight-human-pose-estimation.rar
06-29
轻量级人体姿态估计lightweight-human-pose-estimation.rar
win10下采用XShell+Xmanager运行lightweight-human-pose-estimation
TaylorNY的博客
07-02 914
1.背景 最近需要跑一个轻量级的openpose项目测试下效果，打算挂载在实验室的服务器下跑，由于在windows下各种操作比较方便，于是采用XShell连接远程服务器+Xmanager在windows下显示图形界面的方式，顺便记录下配置环境过程下踩过的各种坑及解决办法。 2.系统及软件配置 以上是lightweight-human-pose-estimation官方推荐的配置，笔者在服务器上的配置为： Ubuntu 20.04 Python 3.8.5 PyTorch 1.8.1+cu10
人体关键点检测——网络解读：Real-time 2D Multi-Person Pose Estimation on CPU: Lightweight OpenPose
shayinzzh的博客
05-16 2005
人体关键点检测之网络解读
Real-time 2D Multi-Person Pose Estimation on CPU: Lightweight OpenPose
Matthew技术小站
12-03 4808
Lightweight OpenPose: OpenPose很好,目前在多人目标关键点检测方面基本已经成为一个baseline. 但原始的openpose需要很好的显卡参与计算,或者说目前大部分关键点检测网络都是依赖于GPU的.这篇文章就提出如何基于OpenPose的设计思路,设计一个可以在纯CPU上实时跑的多人关键点检测网络,作者命名为"Lightweight OpenPose". 首先简单介绍...
Lightweight OpenPose
weixin_38740463的博客
09-28 5252
Real-time 2D Multi-Person Pose Estimation on CPU: Lightweight OpenPose 1、优势 1) 迷你PCIntel®NUC上的28 fps（它消耗的功率很少，并具有45瓦CPU TDP) 2)在常规CPU上为26 fps，而无需图形处理器 3）AP精度下降不超过1%（大小仅4.1M ，是two-stages openpose的15%） 2、常规openpose总结： 1、...
lightweight-openpose学习笔记--源码解析（1）demo.py
XXX2YYY的博客
10-13 1387
学习笔记
轻量级人体姿势估计.pytorch：在PyTorch中快速准确的人体姿势估计。 包含“ CPU上的实时2D多人姿势估计：轻量级OpenPose”的实现
02-05
CPU上的实时2D多人姿势估计：轻量级OpenPose 该存储库包含培训代码。 这项工作极大地优化了方法，从而可以以可忽略的精度下降在CPU上实现实时推断。 它检测骨骼（由关键点和它们之间的连接组成）以识别图像中每个人的人体姿势。 该姿势可能包含多达18个关键点：耳朵，眼睛，鼻子，脖子，肩膀，肘部，手腕，臀部，膝盖和脚踝。 在COCO 2017关键点检测验证集上，此代码对于单尺度推断（无需翻转或完成任何后处理）可达到40％的AP。 可以使用此存储库复制结果。 此仓库与明显重叠，但是仅包含用于人体姿势估计的必要代码。 :fire: 看看我们的准确的（现在仍然快）单人姿态估计，其中排名在CVPR'19
lightweight-gan:在Pytorch的ICLR 2021中提出的“轻量级” GAN的实现。 可以在一两天内进行训练的高分辨率图像生成
03-11
训练12小时后512x512鲜花，1 gpu 训练12小时后256x256朵鲜花，1 gpu 比萨 ``轻巧''GAN 在Pytorch的ICLR 2021中提出的实现。 本文的主要贡献是发生器中的跳层激励，以及鉴别器中的自动编码自监督学习。 引用单行摘要“在经过数小时培训的情况下，可以在1024 g分辨率的数百张图像上融合在单个gpu上”。 安装 $ pip install lightweight-gan 使用 一个命令 $ lightweight_gan --data ./path/to/images --image-size 512 每隔1000次迭代，模型将保存到./models/{name} ，模型中的样本将保存到./results/{name} 。 name将是default ，默认情况下。 训练设定 深度学习从业人员的自我解释能力很强 $ lightweight_ga
跌倒识别 摔倒识别 -lightweight_openpose-附件资源
03-05
跌倒识别 摔倒识别 -lightweight_openpose-附件资源
探索轻量级人体姿态估计：Daniil-Osokin的lightweight-human-pose-estimation.pytorch
gitblog_00100的博客
03-24 448
探索轻量级人体姿态估计：Daniil-Osokin的lightweight-human-pose-estimation.pytorch lightweight-human-pose-estimation.pytorchFast and accurate human pose estimation in PyTorch. Contains implementation of "Real-time ...
人体姿态估计
m0_62912922的博客
01-08 785
我们生活中经常看到，在一些商城中，有一些能根据人体的动作来进行游戏操作的小游戏，比如切水果，愤怒的小鸟等，这些就涉及到人体姿态估计这方面的知识，那么今天我们就来尝试运用代码简单的实现人体姿态估计 实现原理： 1.输入一幅图像，经过卷积网络提取特征，得到一组特征图，然后分成两个岔路，分别使用 CNN网络提取Part Confidence Maps 和 Part Affinity Fields； 2.得到这两个信息后，我们使用图论中的 Bipartite Matching（偶匹配） 求出Part As
人体姿态估计——Python+OpenCV+OpenPose
热门推荐
m0_62925334的博客
12-25 1万+
目录前言技术难点人体姿态估计方法类别单人姿态估计多人姿态估计人体姿态跟踪3D人体姿态估计技术原理神经网络的实现相关代码参考文献运行过程注意 前言 人体姿态估计（Human Pose estimation），几十年来备受计算机视觉界关注，其实在计算机视觉中是一个是很基础的问题，其实通俗化理解就是对“人体”的姿态（部分关键点：头，手，脚等具有象征性的关键部位）的位置估计。姿态估计可以应用在很多领域，比如说可以实现类似于格灵深瞳的各种游戏应用，当然，我们可以利用人体姿态估计，去完成某些生活需要! 技术难点 基于关
（6）Lightweight OpenPose轻量化模型用于实时CPU多人姿态估计
yohnyang的博客
08-17 1870
轻量化openpose用于实时CPU多目标姿态估计，同时应用cuda加速
realtime multi-person 2d pose estimation using part affinity fields
06-28
实时多人二维姿态估计使用的是部件关联场技术。该技术利用深度学习网络对图像中的人体关键点进行检测和定位，并通过学习人体部位之间的关联性来提高姿态估计的准确性。在实时性方面，该技术利用高效的网络结构和并行...
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