目标检测YOLO实战应用案例100讲-基于YOLOv5的目标检测与6D位姿估计算法研究

目录

知识储备

人体姿态估计(HPE)

1.总述

2. 体系架构

3. 2D姿态估计

3.0 必读论文总览

3.1 开山之作（DeepPose）

3.2 必看论文

3.3 最新进展

4. 3D姿态估计

4.0 必读论文总览

4.1 开山之作：（DconvMP）

4.2 必看论文

4.3 最新进展

5. 3D形态重建（SMPL）

5.0 必读论文总览

5.1 开山之作：《Smpl: A skinned multi-person linear model》

5.2 必看论文

5.3最新进展：

6. 应用

6.1 学术研究

6.2 行为识别

6.3 虚拟驱动

人体姿态估计评价指标

1. 总述

2. 2D姿态估计评价指标

2.1 PCP (Percentage of Correct Parts, 正确肢体百分比）​编辑​

2.2 PDJ（Percent of Detected Joints， 检测关节点百分比）

2.3 PCK（Percentage of Correct Keypoints， 正确关节点百分比）

2.4 OKS（Object Keypoint Similarity， 目标关键点相似度）

3. 3D姿态估计评价指标

3.1 MPJPE (Mean Per Joint Position Error，平均每关节位置误差)

3.2 MPJAE（Mean Per Joint Angle Error，平均每关节角误差）

3.3 3D PCK 和 AUC

4. Mesh人体姿态估计评价指标

4.1 MPVE

5. 其他人体姿态估计评价指标

5.1 AP（Average Precision， 平均精度）与 AR (Average Recall, 平均召回率）

5.2 FLOPs ( FLoating-point OPerations, 浮点运算)

5.3 FPS（Frames Per Second-帧率）

6. 数据集与对应指标

6.1 2D数据集

6.2 3D数据集

6.3 Mesh数据集

前言

传统的目标检测算法  

基于深度学习的目标检测算法 

传统的6D位姿估计算法 

基于深度学习的6D位姿估计算法 

课题的理论基础 

2.1 YOLOv5目标检测算法 

2.2 注意力机制 

2.2.1 通道注意力机制 

2.2.2 卷积注意力机制 

2.2.3 坐标注意力机制 

 2.3 加权双向特征金字塔网络 

开发环境及视觉系统的构建 

3.1 系统开发环境 

3.2 双目相机介绍 

---

 本文篇幅较长，分为上中下三篇，文章索引详见

基于YOLOv5的目标检测与6D位姿估计算法研究

基于YOLOv5的目标检测与6D位姿估计算法研究（中）