深度学习笔记——hrnet

最新推荐文章于 2024-08-15 09:46:50 发布
最新推荐文章于 2024-08-15 09:46:50 发布
阅读量2.5k 收藏 2
点赞数 1
分类专栏： 深度学习学习笔记 文章标签： 目标检测 深度学习
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/phily123/article/details/123747635
版权

一、HRNet

参考链接：https://zhuanlan.zhihu.com/p/143385915
hrnet改进点：
1、将不同分辨率之间的串联改为了并联
2、始终保持着高分辨率的特征图（具有较强的位置信息）（最上面一层的特征图）
3、将不同分辨率进行融合，提升模型性能
怎么做：
1、相同分辨率之间直接进行复制
2、下采样采用的是33卷积而不是最大池化
3、上采样采用的双线性插值以及利用11卷积来调整通道数以进行特征融合
4、不同分辨率的特征图进行特征融合采用的是直接add

phily123
关注
专栏目录
Lite-HRNet
jacke121的专栏
04-14 7622
Lite-HRNet paper:https://arxiv.org/abs/2104.06403 code:https://github.com/HRNet/Lite-HRNet 本文是MSRA的研究员针对HRNet的轻量化设计，已被CVPR2021接收。从HRNet与轻量化网络ShuffleNet的组合出发，针对置换模块存在的计算瓶颈问题，提出了一种高效条件通道加权单元替换1x1卷积，并得到了本文的Lite-HRNet。所提Lite-HRNet在人体姿态估计方面取得了最佳的精度-速...
PaddleSeg学习2——Windows c++部署OCRNet+HRNet模型
WAF
08-16 367
点击输入节点即可看到预测模型的输入输出的个数、数据类型。如下是导出的预测模型文件。根目录下，执行如下命令，2.2 导出预测模型。时，可直接加载该文件)2.3 预测模型文件。
深度学习模型+backbones
最新发布
08-19
里面包含alexnet、beit、conformer、convmixer、cspnet、davit、deit、deit3、densenet、edgenext、efficientformer、efficientnet、efficientnet、efficientnetv2、eva、hornet、hrnet、lenet、mixmim、mlp_mixer、mobilenet、mobilevit、mvit、poolformer、regnet、replknet、repvgg、res2net、resnet、resnext、revvit、seresnet、seresnext、shufflenet、swin_transformer、swin_transformer_v2、t2t_vit、tinyvit、tnt、twins、van、vgg、vision_tranformer、wide_resnet
HRNet关键点检测
子燕若水的博客
11-13 1284
总的来说，HRNet在保持高分辨率、多尺度融合和全卷积网络方面具有优势，但在处理不可见点方面仍有待改进。HRNet是一种用于关键点检测的网络架构，它具有一些优点和缺点。
开源精选：深度高分辨率表示学习在人体姿态估计中的应用
gitblog_00486的博客
08-15 493
开源精选：深度高分辨率表示学习在人体姿态估计中的应用 HRNet-Human-Pose-EstimationThis repo is copied from https://github.com/leoxiaobin/deep-high-resolution-net.pytorch项目地址:https://gitcode.com/gh_mirrors/hr/HRNet-Human-Pose-Es...
人体姿态估计学习——HRNet论文了解
weixin_47703176的博客
05-17 427
前言 最近开始了看姿态估计的东西，所以选择了寻找顶会论文来拜读。这里找了一篇2019年的cvpr。由于还在处于相当入门的阶段，就简略讲一下自己的一些理解。 介绍 目前，关键点的寻找作为姿态估计中极其重要的部分，大佬们不断寻找提高预测准确率的方法。于是开始在信息的恢复（优化特征的高清度）上下功夫，一般的优化方法有：1.反卷积、2.沙漏结构、3.空洞卷积。 本文中HRNet：高分辨率子网络。在提高高清度方面提出了一个很特别的网络结构——并行多尺度融合的结构。 传统方法 1.以往的网络结构都是串联结构，先是用卷积
深度学习模型试跑(九):HRNet / HRNet-Semantic-Segmentation
qq_33642342的博客
08-28 2356
目录前言一.模型解读二.模型训练1.数据转换2.配置3.开始训练三.模型推理 前言 官方项目地址: mmsegmentation地址: 一.模型解读 具体参考 二.模型训练 我的环境 os: win10 cuda: 11.0 gpu: RTX3090 torch: 1.7.0 代码: 因为要使用libtorch，所以选择了mmsegmentation的，因为这里有形成的转换代码 1.数据转换 支持4类数据（voc2012, cityscapes, pascal_context, ade20K）,.
深度学习（HRNet为例）运行环境搭建（Linux版)
Ian Wong
01-18 1254
声明：本博客仅为学习笔记，其中摘用了多位博主的博客文章，若侵权请联系本人进行删除。 一、安装Ubuntu系统 1.烧录Ubuntu20.04的iso镜像文件到U盘中，制作好启动盘，烧录软件为UltraIso; 2.进入bios系统界面，设置为U盘启动； 3.重启电脑进入Ubuntu系统安装； 4.按照指示进行安装，具体操作详情可参考下附参考博客。 安装完成界面如下图： 附录1：参考博客 参考链接1：主机装Ubuntu 参考链接2：硬盘装Ubuntu 参考博客3：Ubuntu下输入法汉化 附录2：遇到的问题
HRNet的学习笔记
墨门
01-29 295
1 HRNet论文学习 论文：《Deep High-Resolution Representation Learning for Visual Recognition》 arxiv链接：https://arxiv.org/abs/1908.07919 2 代码学习 来自于stefanopini开源项目：simple-HRNet 感谢stefanopini的分享！
论文笔记——HRNet
Sciws的博客
09-19 256
这篇论文中主要研究人的姿态问题，着重于输出可靠的高分辨率表征。现有的大多数方法都是从高分辨率到低分辨率网络(high-to-low resolution network)产生的低分辨率表征中恢复高分辨率表征。相反，这篇文章提出的网络能在整个过程中都保持高分辨率的表征。模型从高分辨率子网络(high-resolution subnetwork)作为第一阶段开始，逐步增加高分辨率到低分辨率的子网，形成更多的阶段，并将多分辨率子网并行连接。
基于深度学习的虚拟试衣系统.zip
04-20
【基于深度学习的虚拟试衣系统】是一种利用人工智能技术，特别是深度学习算法，来实现用户在数字环境中模拟试穿衣物的系统。这种技术的核心在于它能够根据个人的体型特征，实时渲染出逼真的试衣效果，极大地提升了...
【U-HRNet2022】U-HRNet: Delving into Improving Semantic Representation of High Resolution Network for
我的博客
10-20 5647
分辨率和先进的语义表示对密集预测都是至关重要的。根据经验，低分辨率的特征图往往能实现更强的语义表示，而高分辨率的特征图一般能更好地识别局部特征，如边缘，但包含较弱的语义信息。现有的先进框架，如HRNet，将低分辨率和高分辨率的特征图并行保存，并在不同的分辨率下反复交换信息。然而，我们认为，最低分辨率的特征图往往包含最强的语义信息，需要经过更多的层来与高分辨率的特征图合并，而对于高分辨率的特征图，每个卷积层的计算成本非常大，没有必要经过这么多层。因此，我们设计了一个U型高分辨率网络（U-HRNet），它在具有
改进YOLOv5，利用HRNet高分辨率特征金字塔的全新物体检测突破
学Java，找哪吒
05-31 2802
HRNet的基本单元是一个全卷积网络，由两个相同的分支组成。每个分支包含一个卷积层、一个深度可分离卷积层和一个resize模块。这些分支在不同的分辨率上操作，并将它们组合成一个高分辨率特征金字塔。其中，resize模块用来将低分辨率特征图放大到原始输入图像大小的尺寸。
《HigherHRNet：Scale-Aware Representation Learning for Bottom-Up Human Pose Estimation》论文笔记
m_buddy的博客
09-18 1482
参考代码：HigherHRNet 1. 概述 导读：在bottom-up类型的人体关键点检测算法中，人物目标密集和人物目标过小都是算法表现不好的场景，对此这篇文章从特征提取的角度，在HRNet的基础上（用HRNet的输出并使用trasnpose卷积进行上采样）引入特征金字塔优化关键点检测算法HigherHRNet，算法从高分辨的特征金字塔学习scale-aware表达（train的时候是scale-aware的，infer的时候是将heatmap融合预测的），因而这样对尺度带来的检测问题有了一定的优化。文
再谈HRNet遥感图像语义分割
爱CV
03-10 2184
该链接介绍了hrnet改进 1. pose_hrnet 原样复制的HRNet，不同之处是相比于原作者写的代码，每类情况单独写一个函数，没有在一个函数中为了考虑各种情况写的比较复杂难懂。 总的来说，HRNet还是存在像inception一样的stem模块，产生四倍下采样的特征图，进而逐步增加分支，每个分支完成之后接用resnet的block模块进行特征提取，完了多个分支之间进行类似于全连接之间的加法特征融合（将每个三维特征图当作全连接网络的一个节点），最后一次融合的时候只产生单个最高分辨率的分支。...
人体姿态估计 HRNet C++版
xz1203的博客
04-25 3944
最近由于项目原因，需要用到HRNet网络，加上前面的目标检测部分，使用python版本的代码运行太慢，于是想到了用c++来重写HRNet，将pytorch的模型文件转换为onnx，采用onnx的c++的推理库。然后目标检测网络采用轻量级的nanodet，同时也采用onnx进行推理。最后，在我的笔记本电脑上（GTX960M）进行单人的姿态估计也跑到了20帧左右。其中nanodet是0.01s左右，hrnet是0.04s左右，hrnet是w32_256*192的模型转换而来的。多人的话时间就是成倍增长。
HRNet/hrnet人体姿态估计的C++部署
qq_23022733的博客
04-01 1435
骨骼点识别（Human Pose Estimation, HPE）是计算机视觉领域中的重要任务，旨在从图像或视频中检测和定位人体关节。网络需要对每个关节点的每个像素位置产生一个标签，也就是说，每个关节点的heatmap对应一个标签heatmap，因此，如果一张图片中待检测的关节点有 m 个，则网络理想状态下会。此时heatmap大致长这样，同一张图上是不同人的同一类型关键点，如第一幅图，是两个人的鼻子的位置。本文中我们使用的是bottom up的多人骨骼点检测算法——higher hrnet。
【HigherHRNet】 HigherHRNet 详解之 HigherHRNet的整体框架与流程
sazass的博客
08-24 6417
相关系列链接： 前言： HigherHRNet 来自于CVPR2020的论文： HigherHRNet: Scale-Aware Representation Learning for Bottom-Up Human Pose Estimation。 论文主要是提出了一个自底向上的2D人体姿态估计网络–HigherHRNet。 该论文代码成为自底向上网络一个经典网络，CVPR2021年最先进的自底向上网络DEKR和SWAHR都是基于HigherHRNet的源码上进行的局部改进。 所以搞懂HigherHRNe
HRNet 论文阅读笔记
AnZhiJiaShu's blog
05-06 1494
Deep High-Resolution Representation Learning for Human Pose Estimation 用于人体姿态估计的深度高分辨率表征学习 论文地址 摘要： 本文关注针对人体姿态估计问题，重点学习可靠的高分辨率表示。现有的大多方法从一个 high-to-low 分辨率网络生成的低分辨率表示中恢复高分辨率表示。但是，我们的网络模型在整个过程中都保持高分辨率表示。 我们从一个高分辨率的子网络作为 first stage 开始，逐步添加 high-to-low 分辨率子网
hrnet-mamba
06-26
HRNet (Hierarchical Representation Networks) 是一种用于计算机视觉任务的深度学习架构，特别是针对图像分割、物体检测和关键点检测等任务。HRNet的特点在于它设计了一种级联的特征金字塔结构，能够同时捕获尺度信息和空间细节，这使得它在保持高分辨率的同时，也具有良好的上下文感知能力。 "Mamba"可能是HRNet的一个变体或者特定版本，可能是在原有HRNet的基础上进行了优化或者针对特定场景进行了定制。Mamba HRNet可能包含了一些额外的技术改进，比如更高效的网络模块、更精细的结构调整或者是针对特定数据集的训练策略。 如果你需要了解Mamba HRNet的具体信息，可能会包括以下内容： 1. Mamba HRNet相比于基础HRNet有哪些改进或优化？ 2. 它在哪些竞赛或任务上取得了优异的表现？ 3. 是否有可用的预训练模型或者开源代码库？
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