Whole-Body Human Pose Estimation in the Wild

最新推荐文章于 2024-04-13 09:53:19 发布
最新推荐文章于 2024-04-13 09:53:19 发布
阅读量1.2k 收藏 3
点赞数
分类专栏： HumanPoseEstimation 文章标签： 数据集 pose estimation whole-body
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/murdock_c/article/details/108369921
版权
商汤科技发布了一个大规模全身关键点数据集COCO-WholeBody，包含脸部、躯干和手部的详细标注。同时提出ZoomNet解决不同尺度问题，实现端到端训练。该网络结构由FeatureNet、BodyNet、FaceHead和HandHead组成，显著提升了全身关键点估计的准确性。
摘要由CSDN通过智能技术生成

财大气粗的商汤出的第一个全身关键点数据集，直接对COCO数据集进行了扩展，将脸上的68个点，躯干的23个点（body17+feet6），以及手的23个点全部进行了标注，并将label进行了开源，地址：https://github.com/jin-s13/COCO-WholeBody，果然是大佬风范，佩服三连~

除了很🐂的推出了第一个large-scale whole body pose dataset，还针对如何训练whole body pose提出了ZoomNet，网络结构如下所示：在这里插入图片描述

因为face hand body三者的尺度信息在同一张图片上相差太大，因此如果使用一个网络直接输出这三个不同部位的结果当然是不够准确的。为了解决这个问题，并且能够end-to-end training，提出的ZoomNet相当于3个子网络的堆叠，训练及检测流程如下：

  1. 图片首先经过一个FeatureNet进行特征提取，并分别得到两个不同尺度的featuremap F1（1/2）和F2（1/4），后面的BodyNet FaceHead HandHead共用这一个FeatureNet，相当于检测任务里的Backbone
  2. BodyNet直接使用F2做输入，经过类似HrNet的结果进行特征提取后，要生成23个body kps及face/hand boxes。face/hand boxes都是
最低0.47元/天 解锁文章
MatthewHsw
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
Whole-Body Human Pose Estimation in the World
majunfu
05-20 650
论文题目:Whole-Body Human Pose Estimation in the World 摘要（Abstract） 这篇文章对人体全身的二维姿态进行研究，目标是定位出人脸，人手，身体以及人脚对应的稠密关键点。目前来说存在的公开数据集并没有全身的标注信息，以前的工作不得不集成在不同数据集上独立训练的不同模型(人脸特征点模型，人体特征点模型，手部特征点模型等)，并且要面对不同的数据集偏置和较大的模型复杂度。为了填补这个空白，我们引入COCO-WholeBody数据集，这是一个在全身关键点方面标注上对
Single-Network Whole-Body Pose Estimation论文简读
如果想成为中心，那么就到中心去吧。
08-30 372
code: https://github.com/CMU-Perceptual-Computing-Lab/openpose_train 文章目录摘要介绍相关的工作方法1. PAF-based Body Pose Estimation2. Whole-Body Pose Estimation3. Multi-task learning training:4. Balanced dataset-based probability ratio:5. Dataset-based augmentation:6. O
AlphaPose: Whole-Body Regional Multi-Person Pose Estimation and Tracking in Real-Time 阅读笔记
AnZhiJiaShu's blog
02-20 1177
为捕捉人体的细微动作以进行复杂的行为分析，
[论文评析]AlphaPose: Whole-Body Regional Multi-Person Pose Estimation and Tracking in Real-Time2022
MasterQKK
11-26 1750
AlphaPose: Whole-Body Regional Multi-Person Pose Estimation and Tracking in Real-Time， IEEE TPAMI，2022 全身的多人姿态估计与跟踪
FrankMocap：A Monocular 3D Whole-Body Pose Estimation System via Regression and Integration 2021阅读理解
春秋战车
11-06 1016
ICCV Workshop 2021. Facebook AI research Btw, why the name FrankMocap? Our pipeline to integrate body and hand modules reminds us of Frankenstein's monster! 读后感： 因此可以认为这个文章主要解决手部预测的精度。当你的需求要求脸部，身体，手部都准确，可以参考一下这个网络，但是显然相比端到端，这个有点费网络。 这篇论文更多可以看作一篇侧重方.
cvpr18-3D Human Pose Estimation in the Wild by Adversarial Learning
07-04
Therefore, 3D human pose estimation in the wild is still a challenge. In this paper, we propose an adversarial learn- ing framework, which distills the 3D human pose structures learned from the fully ...
Rethinking the Heatmap Regression for Bottom-Up Human Pose
11-17
总之，“Rethinking the Heatmap Regression for Bottom-Up Human Pose Estimation”这篇论文重新审视了自下而上人体姿态估计中的热图回归问题，提出了尺度自适应和权重自适应的策略，有效解决了不同人体尺度和标注...
轻量级人体姿态估计lightweight-human-pose-estimation.rar
06-29
本项目“lightweight-human-pose-estimation.rar”正是深度学习在人体姿态估计这一具体应用上的一个实例，其目标是通过算法精确地识别和定位图像中人物的关键骨骼点。 人体姿态估计是计算机视觉中的一个重要任务，...
【CVPR2018】3D Human Pose Estimation in the Wild by
06-14
【CVPR2018】3D Human Pose Estimation in the Wild by Adversarial Learning 利用对抗学习进行野外三维人体姿态估计
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，...
COCO-WholeBody
03-19
可可批发公司 这是ECCV2020论文的官方资料库。可以在“ 找到此作品的。该回购包含本文提出的COCO-WholeBody批注。 消息 [2020.10.08]我们在放了一个花哨的演示视频。该演示视频由生成。享受 ：） [2020.09.19]我们在支持了COCO- 。为研究目的，提供了一个更强大的基线模型和WholeBody AP 66.1％。 [2020.09.15]评估工具已集成到，版本> = 1.5 要从pip安装： pip install xtcocotools 什么是COCO-WholeBody？ COCO-WholeBody数据集是第一个用于全身姿势估计的大规模基准。它是的扩展，具有与相同的火车/车票划分。 这是一个带注释的图像的示例。 对于每个人，我们都注释了4种类型的边界框（人形框，脸形框，左手形框和右手形框）和133个关键点（身体17个，脚6个，面部68个
mmpose-master.tar.xz
06-04
mmpose-master.tar.xz
DensePose: Dense Human Pose Estimation In The Wild（理解）
weixin_33963189的博客
10-31 367
0 - 背景 　　Facebook AI Research（FAIR）开源了一项将2D的RGB图像的所有人体像素实时映射到3D模型的技术（DensePose）。支持户外和穿着宽松衣服的对象识别，支持多人同时识别，并且实时性良好。 　　本研究的目的是通过建立从人体的2D图像到基于表面的3D表征的密集对应（dense correspondence）来进一步推进机器对图像的理解。该任务涉及到其他一些...
探索COCO-WholeBody：人体全部位检测的新里程碑
最新发布
gitblog_00049的博客
04-13 583
探索COCO-WholeBody：人体全部位检测的新里程碑 项目地址:https://gitcode.com/jin-s13/COCO-WholeBody COCO-WholeBody是一个开源项目，主要目标是提供一个大规模的人体全身关键点检测数据集，以及相关的工具和模型，以推动计算机视觉领域的研究和发展。这个项目由jin-s13创建，并且在GitCode上开源，对于机器学习、深度学习，特别是对人...
ECCV 2020 | COCO-WholeBody的论文翻译及思维导图
shopkeeper_的博客
10-25 259
个人的论文阅读笔记
COCO-wholebody标签json转yolo格式
一名学术垃圾的博客
09-26 181
COCO-wholebody标签json转yolo格式。只保存了人体，面部，双手（区分）本人测试没问题，可以进行训练。
mmpose系列 (一)：hrnet 基于mmpose 训练body+foot 23点关键点
qq_38284951的博客
08-15 5706
hrnet body+foot 23点 模型
ECCV 2020 论文大盘点-姿态估计与动作捕捉篇
我爱计算机视觉
09-28 1790
本文盘点ECCV 2020 中所有与姿态估计（Pose Estimation）相关的论文，总计 12 篇，其中一篇Oral 论文，6 篇已经或者将开源代码。下载包含这些论文的 ECCV ...
DensePose:Dense Human Pose Estimation In The Wild 论文阅读笔记
小欧欧的博客
06-26 6468
一、本文主要是Facebook AI 和INRIA 联合出品，基于RCNN架构，以及Mask RCNN的多任务结构，开源http://densepose.org二、主要工作分为两点1：标注了一个新的数据集，基于coco数据集，增加了uv标注，该数据集开源。2：设计了一个框架可以用于输出uv坐标。三：数据集介绍：标注上了UV坐标之后，可以将一个3D人物的表面经过变换投影到2D图像上，并且会根据2D图...
Attentional 2D-Human Pose Estimation
05-04
Attentional 2D-Human Pose Estimation refers to a technique used in computer vision and deep learning to estimate the pose of a human body in an image or a video. The technique involves the use of a neural network that has an attention mechanism. This mechanism enables the network to focus on specific regions of the image that are relevant to the pose estimation task. In the case of 2D-Human Pose Estimation, the neural network takes an input image and predicts the 2D coordinates of the joints of the human body. The attention mechanism allows the network to focus on the body parts that are most important for the pose estimation task, such as the head, shoulders, elbows, wrists, hips, knees, and ankles. The attentional 2D-Human Pose Estimation technique has shown promising results in various applications, including activity recognition, emotion recognition, and human-computer interaction. It has the potential to be used in fields such as sports analysis, healthcare, and robotics.
评论 2
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