Stacked Hourglass Networks

终于跳进人体姿态估计的坑了,本篇文章来源于ECCV2016。
论文链接
它的亮点是通过反复上采样和下采样,不断地融合空间信息,这样就可以把各个关键点的信息连贯地融合到一起,最后输出基于像素点的预测,它是一个singel pipeline,其中feature map最小的是4 * 4。
在这里插入图片描述
它的设计如图3:经由卷积层和max pooling层将feature map降至较低的分辨率,在Max pooling之前,它有一个分支分出,这里很像是resent的residual操作。当Max pooling到最小尺寸后,再经由上采样之后,在加上之前的分支,这也可以看作是一个沙漏的结构,这个结构是对称的,每一层Max pooling都有对应的上采样。
在输出网络之后,有两个1 * 1的卷积,来生成一组heatmap,网络预测节点在每个像素处存在的概率。在图3之前还有两个1 * 1的卷积。
模型中使用了大量的residual modules
在这里插入图片描述
同时为了减少计算量,hourglass的feature

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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