(8) Human Pose Estimation : Fast Human Pose Estimation : CVPR 2019

最新推荐文章于 2024-04-26 09:53:56 发布
最新推荐文章于 2024-04-26 09:53:56 发布
阅读量463 收藏 1
点赞数
分类专栏： CV Human Pose Estimation 文章标签： Human Pose Estimation
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/qq_17721239/article/details/100729806
版权

Human Pose Estimation : Fast Human Pose Estimation

CVPR 2019

reading time : 2019/09/10

paper address : https://arxiv.org/pdf/1811.05419.pdf

本文针对的是目前人体姿态研究往往只考虑模型的泛化，提高performance。而很少研究效率问题。

结构：Fast Pose Distillation（FPD）。

 

文章构建一个小网络，通过一个teacher network网络监督student network的训练。 大概意思是, 本来网络只需要将输出和label做一个L2 loss, 现在不仅需要和label做loss计算,和需要和teacher model的输出做L2 loss计算. 两者的和才是网络真正的loss. 并且设定了一个超参数α \alphaα用来控制teacher model loss和label loss的比重. 具体公式如下:

                                      

滴水藏海NQZ
关注
专栏目录
FPD: Fast Human Pose Estimation
Matthew技术小站
11-16 2381
文章地址:arxiv 这篇文章是电子科技大学和visionsemantics实验室联合发布的一篇文章. 文章目的: 人体姿态估计经过近几年的发展,在精度方面已经做的挺不错了,但越高的精度就意味着越深越宽的网络. 这样就造成了一个问题, 现有的state-of-the-art的模型没有办法在轻量级的设备上跑,例如普通的手机,没有很好的GPU的电脑等等. 文章的目的就是为了能够得到一个很轻量级的模型,...
Fast Human Pose Estimation
steph_curry的博客
06-07 461
CVPR19 之前的人体位姿工作一般都是想办法提升精度，但是模型复杂度较高，效率低。本文目的是构建一个轻量化的模型，有较小的计算成本，同时保持较高精度。 主要思路是将原始的hourglass做“瘦身”。 这样网络参数量锐减，肯定是没办法充分学习的，精度会降低。因此解决方法是先预训练一个strong teacher network，其实就是原始的hourgalss，然后用这个teacher...
【论文阅读笔记】Fast Human PoseEstimation
时光机 °的博客
07-02 724
论文地址：https://arxiv.org/abs/1811.05419v1 github网址：https://github.com/ilovepose/fast-human-pose-estimation.pytorch 全文总结   该论文并未提出啥有意思的东西，总体就是知识蒸馏和**“自定义模型压缩”**的应用，提供一个思路。   该方法名为 FTD，Fast Pose Distillation，也就是知识蒸馏应用在pose检测上的意思。 文章内容介绍   文中的方法应用对象为Hourglass网络
Pose论文阅读：Fast Human Pose Estimation
b_lack的博客
08-21 995
Fast Human Pose Estimation Abstruct 现在的Pose框架虽然精度以及泛化能力已经不错，但是模型过于复杂，使得参数量以及部署时消耗的内存过大。 这篇文章就是通过牺牲极少部分的精度来达到大幅度减少内存的消耗的目的。作者主要是通过用训练好的教师网络（大网络）将知识传递给学生网络（小网络）来实现这一目的，他们称他们的方法为Fast Pose Distillation（F...
DeepPose: Human Pose Estimation via Deep Neural Networks
06-05
《DeepPose ： Human Pose Estimation via Deep Neural Networks 》原始论文，其为第一篇应用深度神经网络于姿态估计领域（Human Pose Estimation）的文章。发表于CVPR2014。
论文解读 | Fusing wearable imus with multi-view images for human pose estimation: A geometric approach
qq_42974561的博客
03-10 1076
CVPR2020 | Fusing wearable imus with multi-view images for human pose estimation: A geometric approach 作者： Zhe Zhang, Chunyu Wang, Wenhu Qin, Wenjun Zeng （东南大学&微软亚研院） 网址： https://github.com/CHUNYUWANG/imu-human-pose-pytorch 论文： https://www.microsoft.co
姿态估计入门-2020综述《The Progress of Human Pose Estimation: A Survey and Taxonomy of Models Applied in 2D》
qq_41614538的博客
09-17 1312
《The Progress of Human Pose Estimation: A Survey and Taxonomy of Models Applied in 2D Human Pose Estimation》 2020 IEEE 论文链接 人体姿态估计入门指南。 文章目录1 预备知识 1 预备知识 人体姿态估计：基于图片来定位人体的关节点和刚性部件。 根据一张图中待检测人的数量，可分为单人姿态检测和多人姿态检测。显然多人姿态检测任务更加困难。 姿态估计有两种常用范式： Top-down：先.
2019 CVPR_ICCV_CSCV_ 3D Human Pose Estimation PAPER
10-06
2019年的CVPR、ICCV和CSCV等顶级会议上，研究者们展示了众多关于这个主题的创新性工作。这些论文不仅推动了技术的发展，还为实际应用如动作识别、人机交互、虚拟现实和增强现实等奠定了基础。 CVPR（Computer ...
keras_Realtime_Multi-Person_Pose_Estimation：实时多人姿势估计项目的Keras版本
02-05
该存储库已与Tensorflow 2.0的最新和推荐版本不兼容，我没有费力地重构此代码，而是创建了一个新的新存储库，其中包含一些其他功能，例如： 基于MobilenetV2的较小模型的培训代码。 在Tensorboard中可视化预测（热图...
Fast_Human_Pose_Estimation_Pytorch:CVPR2019文件的“ Pytorch代码”“快速人体姿势估计” https
05-04
快速人体姿态估计火炬 这对于论文“来说是非官方的实现。 大部分代码来自用于沙漏网络pytorch实现。 在此仓库中，我们遵循了“快速人体姿势估计”提出的“快速姿势蒸馏”方法，以提高轻量级网络的准确性。 我们首先训练了一个深层的教师网络（堆栈= 8，标准卷积，为88.33 @Mpii pckh），并用它来教授学生网络（堆栈= 2，深度卷积，为84.69％@Mpii pckh）。 我们的实验表明，从知识蒸馏中获得了0.7％的收益。 我对轻型学生模型hg_s2_b1_mobile_fpd进行了基准测试，并通过OpenVino在i7-8700K上获得了43fps 。 可以从找到详细信息 请通过检查官方实施 2019年2月更新 通过使用上传的额外未标记图像hg_s2_b1_mobile_fpd_unlabeled训练的模型显示，教师从未标记数据上转移的知识可hg_s2_b1_mobile_fpd_
手肘法matlab源码-fast-human-pose-estimation.pytorch:CVPR2019论文《快速人体姿势估计》的官方p
05-20
手肘法matlab源码快速人体姿势估计CVPR2019 介绍 这是的官方pytorch实现。 在这项工作中，我们专注于两个问题 如何使用与模型无关的方法来减小模型大小和计算。 如何提高简化模型的性能。 在我们的论文中 我们通过减少网络的宽度和深度来减少模型的大小和计算量。 提出快速姿势精馏（ FPD ）以改善简化模型的性能。 MPII数据集上的结果证明了我们方法的有效性。 我们使用HRNet代码库重新实现了FPD，并在COCO数据集上提供了额外的评估。 我们的方法（FPD）可以在没有地面标签的情况下工作，并且可以利用未标记的图像。 对于MPII数据集 我们首先训练了一个教师模型（沙漏模型，堆栈= 8，num_features = 256，90.520 @ MPII PCKh@0.5）和一个学生模型（沙漏模型，堆栈= 4，num_features = 128，89.040 @ MPII PCKh@0.5）。 然后，我们使用教师模型的预测和真实标签来共同监督学生模型（沙漏模型，堆栈= 4，num_features = 128，87.934 @ MPII PCKh@0.5）。 我们的实验显示
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
姿态估计的模型评估_快速人体姿态估计：CVPR2019论文阅读
weixin_32127545的博客
01-30 1672
快速人体姿态估计：CVPR2019论文阅读Fast Human Pose Estimation论文链接：http://openaccess.thecvf.com/content_CVPR_2019/papers/Zhang_Fast_Human_Pose_Estimation_CVPR_2019_paper.pdf摘要现有的人体姿态估计方法通常只考虑如何提高模型的泛化性能，而忽略了显著的效率问题。...
Knowledge Distillation(9)——Fast Human Pose Estimation
judgechen1997的博客
09-23 376
如果这一系列博客之前的都有看了，且有了解过pose领域的hourglass， 这篇文章的idea就很清晰了： 对每个hourglass module的中继监督，同时加入hard label&teacher’s soft output 关于文章的一些思考，一些别人的博客翻译总结的很好： ...
RePose: Learning Deep Kinematic Priors for Fast Human Pose Estimation
Matthew技术小站
06-05 648
单人pose模型文章，提出了一种基于kinematic structure来辅助模型对关键点进行定位，整体结构如下： 模型是一个仿U-Net结构的网络结构，忽略U-Net的底部，先看下输出，模型会在不同的scale下进行upsample到原图分辨率大小进行heatmap输出，所以是个包含有多个loss的网络结构，重点看下上图中的绿色部分，也即是文章提出的Kinematic Features Updates结构。 Kinematic Features Updates 这个结构相当于是根据先验知识对人体姿态进行
人体姿态fast-human-pose-estimation.pytorch
jacke121的专栏
11-06 3199
下面两个指向同一篇论文，权重100m： 这个没跑起来： 现在测的都不准，可能代码不对 256*256的图像要100ms， https://github.com/ilovepose/fast-human-pose-estimation.pytorch 256*256 这个需要160ms https://github.com/yuanyuanli85/Fast_Human_Pose...
FPD: Fast Human Pose Estimation 姿态估计cvpr2019论文阅读
小小小麦昆的博客
01-04 2094
from 电子科技大学 姿态估计CVPR2019 论文地址 升级版论文 Abstract 姿态估计精度方面越来越好，但是网络越来越大。想通过减少少量精度得到一个可以在轻量级设备上运行的模型。 使用一个 Fast Pose Distillation (FPD)。在强teacher network中学习一个小网络。在MPII和Leeds Sports Pose（LSP）上取得了很有效的效果 Intro...
探索高效人体姿态估计：fast-human-pose-estimation.pytorch
最新发布
gitblog_00020的博客
04-26 401
探索高效人体姿态估计：fast-human-pose-estimation.pytorch fast-human-pose-estimation.pytorchOfficial pytorch Code for CVPR2019 paper "Fast Human Pose Estimation" https://arxiv.org/abs/1811.05419项目地址:https://gitc...
详细解释一下FastNet: Fast high-resolution network for human pose estimation
03-28
FastNet是一种快速高分辨率网络，用于人体姿势估计。它是基于深度学习的模型，旨在快速准确地预测人体关键点的位置，从而实现人体姿势估计。 FastNet的设计采用了一些创新的技术，以提高模型的准确性和速度。其中最重要的是使用了一种基于残差网络的架构，这种架构可以有效地减少模型的参数数量，提高模型的训练速度和预测速度。此外，FastNet还使用了一种特殊的网络设计，使得模型可以同时处理多个尺度的输入图像，从而提高模型的鲁棒性和适应性。 FastNet的训练采用了大量的标注数据，并使用了一些先进的训练技术，如数据增强、正则化等，以提高模型的泛化能力和鲁棒性。此外，FastNet还采用了一些其他的优化策略，如批量归一化、残差连接等，以进一步提高模型的训练效果和预测效果。 总体来说，FastNet是一种高效、准确的人体姿势估计模型，可以在不同场景下应用，如人机交互、运动分析、医学影像等领域。它的优点在于速度快、精度高、鲁棒性强，可以满足实时应用的需求。
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