SAGANPose | 隐式结构化对抗人体姿态估计网络

最新推荐文章于 2021-08-30 01:24:51 发布
最新推荐文章于 2021-08-30 01:24:51 发布
阅读量1.2k 收藏 9
点赞数 5
分类专栏： 深度学习论文解读
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/qiu931110/article/details/104487148
版权
SAGANPose是一种利用生成对抗网络（GAN）进行人体姿态估计的方法，通过隐式考虑人体结构先验，解决了关键点遮挡和人体重叠带来的预测难题。它包括多任务生成器、姿态鉴别器P和置信度鉴别器C，以提高姿态的准确性和置信度。
摘要由CSDN通过智能技术生成

Adversarial PoseNet: A Structure-aware Convolutional Network for Human Pose Estimation
Official Code: pytorch

1.背景分析

关键点遮挡和人体重叠会导致人体姿态估计的难度增大，在这种情况下，可能会产生生物学上难以置信的姿势预测。相反，人类视觉能够通过利用联合互连的人体关节间的几何约束来预测姿势。 为了通过结合关于人体结构的先验来解决该问题，本文尝试使用生成对抗网络的形式，以在训练时隐式考虑这些先验信息，因为显式学习此类约束通常具有挑战性。基于此，本文设计了一个多任务生成器用以生成精准的人体关键点，设计了姿态辨别器P使得生成器获取的人体关键点视觉友好，设计了置信度鉴别器C使得生成器获取的人体关键点置信度高。

2.隐式结构化生成对抗网络

如下图所示，我们的对抗姿态估计网络分为三部分，1用于生成姿态的生成器网络，2用于鉴别姿态的鉴别器网络，3用于鉴别置信度的鉴别器网络。其中生成器输出32个heatmap图，其中16个是关键点heatmap，另外16个是与其对应的关键点遮挡heatmap。下图中的（1）分支，展示了没有对抗操作情况下，常规人体姿态估计网络的损失计算和参数更新方法。下图中的（2）分支，展示了利用置信度鉴别器C来辅助训练生成器G，将会产生更加可信的置信值结果。下图中的（3）分支࿰

最低0.47元/天 解锁文章
yuanCruise
关注
专栏目录
SGANPose | 自对抗人体姿态估计网络
yuanCruise
02-24 3251
Self Adversarial Training for Human Pose Estimation Official Code: pytorch 1.出发点 由于人体的遮挡和拥挤等现象，现有的人体姿态估计网络很难解决此类情况下的准确估计，且此类现象会导致网络估计的关键点不符合正常的人体姿态，失去了人体固有的形态。比如下图中第二行图片所示，相较于第一行，很显然有部分关节是违背事实的。作者希望即使...
Adversarial PoseNet: A Structure-aware Convolutional Network for Human Pose Estimation(2017)
qq_43452156的博客
02-20 543
Abstract 对于单目图像的Human Pose Estimation，关节遮挡和重叠会导致偏差的姿态预测结果，可能会产生生物学上不可信的姿态预测。相比之下，Human vision通过利用关节连接的几何约束预测姿态。为了解决利用人体结构先验知识这个问题，本文提出a novel structure-aware convolutional network，能够在深度网络的训练过程中 ...
Adversarial PoseNet
吹啊~吹啊~大风吹~~
05-15 1398
论文题目：Adversarial PoseNet: AStructure-aware Convolutional Network for HumanPoseEstimation出处：ICCV 2017 主要贡献： 1、我们设计了一种新颖的人体姿态估计网络框架，它考虑了人类关节连接性的几何约束。通过将人体的先验知识整合在一起，可以大大减少因遮挡和杂乱的背景而引起的预测错误。即使网络失败了，网络的输出...
基于CNN的2D单人体姿态估计论文综述
yuanCruise
02-06 7477
1.DeepPose（谷歌大佬首次提出人体关键点解决方案） CVPR2014 Google | DeepPose: Human Pose Estimation via Deep Neural Networks 3rdParty Code:pytorch 3rdParty Code:chainer 3rdParty Code:tensorflow 3rdParty Code:caffe Google...
2019深度学习人体姿态估计指南
明柳梦少的博客
05-09 6233
本文素材来源于nanonets技术博客网站，经本人编辑首发于CSDN，仅供技术分享所用，不作商用。 原文地址：https://blog.nanonets.com/human-pose-estimation-2d-guide/ 人体姿势估计是过去几十年来一直受到计算机视觉社区关注的重要问题。这是了解图像和视频中人物的关键步骤。在这篇文章中，我写了人体姿势估计（2D）的基础知识，并回顾了有...
2020人体姿态估计综述（Part1：2D Single Person）
qq_42974561的博客
08-15 5248
前言 现在距离研究生开学还有一个月的时间，回顾保研后的这大半年，自己先是在深度学习这个领域打基础，从看吴恩达的机器学习再到花书以及西瓜书。之后确定了Human Pose的研究方向，开始关注这一领域，看了不少论文，也借着毕设自己动手写了一个项目，但感觉自己的知识一直没有形成体系。因此想利用这一个月的时间，将2D与3D的比较经典的论文、方法再总结回顾一下，构建出自己的Human Pose知识树。 目录 1 Human Pose Estimation 2 2D Single-Person Pose Estim
2020人体姿态估计综述（Part2：2D Top-Down Multi-Person Pose Estimation）
qq_42974561的博客
08-15 3889
承接上一篇博文：A 2020 Human Pose Estimation Review （Part1：2D Single Person） 目录 3 2D Top-Down Multi-Person Pose Estimation   3.1 Top-Down   3.2 Mask RCNN   3.3 Cascaded Pyramid Network for Multi-Person Pose Estimation   3.4
CFake:一个库，用于为 CC++ 程序进行单元测试提供快速简单的解决方案，解决如何在运行时用另一个模拟（即存根 func）伪造一个 func
06-08
蛋糕 CFake 是一个库，用于为 C/C++ 程序进行单元测试提供快速简单的解决方案，解决如何在运行时用另一个模拟（即存根 func）伪造一个 func。 它不是一个新的单元测试框架。 但是，您可以将此库添加到任何现有框架（例如 ）以增强测试能力。 CI Linux Windows[暂不支持] 目的 为什么我们需要用另一个模拟（即存根 func）来伪造一个 func ？ 充分发挥func的作用，尤其是外部模块的func； 完全检查存根函数的参数（即测试函数的一种输出）； 完全控制存根函数的返回值（即被测试函数的一种输入）； 轻松将输入划分为等价集合； 轻松为异常测试用例创造条件； 与其他图书馆的伪造技术有什么不同？ 伪造动作是在运行时完成的，而不是构建时间； 可以在外部模块或同一模块中对 func 进行伪造操作； 在案件结束时可以取消伪造行为； 存根 func
Adversarial PoseNet: A Structure-aware Convolutional Network for Human Pose Estimation翻译
吹啊~吹啊~大风吹~~
05-15 1743
对抗性的PoseNet:一种对于人类姿态估计的结构感知的卷积网络摘要：在单目图像中，人的姿态估计，关节遮挡和重叠在人体上经常导致偏差的姿势预测。 在这种情况下，可能会产生生物学上难以置信的姿态预测。 与此相反，人类视觉通过利用节点间连接的几何约束来预测姿态。为了解决这一问题，我们提出了一种新型的结构感知的卷积网络，在深度网络训练过程中，隐式地将这些先验引入考虑。这种约束的明确学习通常具有挑战性。 ...
Adversarial PoseNet: A Structure-aware Convolutional Network for Human Pose Estimation
u013548568的博客
01-08 2503
1、Introduction 作者设计了一个网络，运用GAN来预测遮挡的人体部位 G：生成pose热度图和occlusion热度图 P：pose discriminator 和 confidence discriminator{ P, C } 2、网络结构 2.1 多任务的生成式网络 利用生成式网络生成y,z，y是pose heatmap，z是occlusion heatmap
姿态估计： Hourglass 网络
Chris_zhangrx的博客
02-25 4319
本文是 ECCV2016 的工作，主要是介绍了一个在当时是新的姿态估计的网络结构。这里主要是对整个网络的结构和思想进行一个梳理，可以进一步明白后序一些基于此网络结构的工作（例如ECCV2018 CornerNet），不涉及到 姿态估计领域 的一些见解和讨论，所以本文主要就是分为两节，引出课题和介绍 hourglass 网络。 原文链接： https://arxiv.org/abs/1603.069...
CPU上跑到 33 FPS 的简单轻量级人体姿态估计网络
我爱计算机视觉
11-27 1816
点击我爱计算机视觉标星，更快获取CVML新技术在姿态估计算法中，微软开发的 SimpleBaseline 是精度高而又轻量级的典范，昨天一篇论文Simple and Lightweigh...
单目3D多人姿态估计网络（整合自上而下和自下而上网络）
m0_50811752的博客
04-27 2653
Monocular 3D Multi-Person Pose Estimation by Intergrating Top-Down and Bottom-Up Networks 论文解读贡献实验结果整体框架3D多人姿态估计相关工作Network StructureGCN StructureTCN StructureIllustration of the heatmaps estimated from the bottom-up networkDetails of Semi-Supervised Learn
《人体姿态估计的深度网络结构研究》论文阅读笔记
gagaguagua的博客
08-30 320
文章目录创新点1 姿态归一化的人体结构应用网络关键点检测网络基于FCN 创新点 1 姿态归一化的人体结构应用网络 【对热力图进行旋转操作】 姿态归一化：将多样性的姿态变换到标准姿态附近，标准姿态即直立姿态 全局姿态归一化：整个躯体旋转角度，以躯体直立为准 局部姿态归一化：根据关节进行旋转，以关节直立为准 关键点检测网络 基于FCN ...
[多图/秒懂]白话OpenPose，最受欢迎的姿态估计网络
热门推荐
cjnewstar111的专栏
03-28 1万+
前言： 最近在开发运动计数APP，需要用到姿态估计相关的算法。于是对这一领域的算法进行了总结。如下图所示为姿态估计的一些经典论文。这其中OpenPose的影响力可以说是非常大的了，由于其开源做的好，论文，代码，教程，文档，模型都非常丰富，因此有很多项目都是基于OpenPose的。并且其bottom-up的核心算法PAF也非常值得学习。本期就对OpenPose进行一个详细的讲解，力争用最白话的语言把内容核心算法讲透彻。 网络结构 ​如下图所示为OpenPose的网络结构： 首先由主干网络VGG
Adversarial PoseNet：深度网络中的人体结构感知姿态估计
本文介绍了一种名为Adversarial PoseNet的新型结构感知卷积网络，该网络旨在解决人类姿态估计中的挑战，特别是考虑到人体关节的几何约束关系。在深度网络的训练过程中，该方法能隐式地利用这些先验知识，提高预测的...
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

打赏作者

yuanCruise

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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