人体姿态估计

最新推荐文章于 2024-10-04 08:54:00 发布
最新推荐文章于 2024-10-04 08:54:00 发布
阅读量332 收藏 3
点赞数 1
分类专栏： pytorch 文章标签： 机器学习 深度学习 人工智能
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_37437892/article/details/130996924
版权

预测人体关键点有什么作用？

  • 还原人体姿态，输出脸部、手部的关键点坐标
  • 3D空间内，关键点变为3维坐标，可以在三维空间中还原人体姿态，可以实现一键换装在这里插入图片描述
  • 恢复3D的人体模型
  • 实现下游任务–行为理解，根据姿态判断人是否在拥抱
    在这里插入图片描述
  • CG动画：根据人的表情姿态驱动动漫人物做一些动作
    在这里插入图片描述
  • 手势识别
  • 动物行为识别

2D姿态估计的基本思路

  1. 基于回归
    将关键点检测问题建模成一个回归问题，使得模型直接回归关键点坐标
    在这里插入图片描述
    神经网络的最后一层作为回归预测，此方法精度不高
  2. 基于热力图
    预测关键点位于每个位置的概率
    在这里插入图片描述
    在这里插入图片描述
    卷积神经网络关注局部信息，对图像上每处的权值（关注度）不同

多人姿态估计

  1. 自顶向下方法
    先用目标检测算法框出人的位置，再基于单人图像估计每个人的姿态
    缺点：人越多，计算量越大，耗时长；整体受限于目标检测器的精度

  2. 自底向上方法
    先检测出关键点，再基于位置关系或者其他信息聚类成不同的人
    在这里插入图片描述
    优点：推理速度与人的数量无关

在这里插入图片描述
级联的好处：不仅看到局部信息，还能使得神经网络参考整体信息
在这里插入图片描述

K部图匹配问题，基于亲和度匹配关键点
在这里插入图片描述

2D姿态估计小结

在这里插入图片描述

3D姿态估计

  1. 思路： 利用帧间的视频信息辅助判断
    在这里插入图片描述
  2. 单张图像输入卷积网络，预测3D热力图
    在这里插入图片描述

评估标准

使用关键点相似度（OKS）作为评价指标计算
在这里插入图片描述

小结

在这里插入图片描述

爱学习的羽
关注
专栏目录
基于目标检测、跟踪 的人体姿态估计 算法进行跌倒检测 ---- fall detection
shiter编写程序的艺术
06-13 1206
COCO的annotation一共有17个关节点。分别是：“nose”,“left_eye”, “right_eye”,“left_ear”, “right_ear”,“left_shoulder”, “right_shoulder”,“left_elbow”, “right_elbow”,“left_wrist”, “right_wrist”,“left_hip”, “right_hip”,“left_knee”, “right_knee”,“left_ankle”, “right_ankle”。
人体姿态估计（人体关键点检测）分类与经典方法分析（附GitHub地址）
ls83776736的博客
02-27 1万+
人体姿态估计（Human Pose Estimation）也称为人体关键点检测（Human Keypoints Detection）。对于人体姿态估计的研究，大致可做如下分类。 1. RGB vs RGBD 后者多一项Depth信息，常用于3D人体姿态估计的研究。 2. 2D Human Pose Estimation vs 3D Human Pose Estimation 3. Sing...
姿态估计&目标检测论文整理（1）
Klay Ye
09-26 6013
一、姿态估计 1. 现阶段人体姿态识别主流的通常有2个思路： Top-Down（自上而下）方法：将人体检测和关键点检测分离，在图像上首先进行人体检测，找到所有的人体框，对每个人体框图再使用关键点检测，这类方法往往比较慢，但姿态估计准确度较高。目前的主流是CPN，Hourglass，CPM，Alpha Pose等。 Bottom-Up（自下而上）方法：先检测图像中人体部件，然后将图像中多人人体的部...
人体姿态动作识别
ljmiiianng的博客
10-07 3685
方法一:自上而下(Top-down Approach : Person Detection + Pose Estimation) 给定一张图片, 先目标检测 => 对每个 bbox 做单人的姿态估计 重复此步骤并得到最终结果. 方法二:自下而上(Bottom-up Approach : Parts Detection + Parts Association) 给定一张图片, 首先检测人关...
【人体姿态估计】（一）原理介绍
weixin_40620310的博客
04-25 3020
人体姿态估计本质上是一个关键点检测的项目；关键点检测在生活中的应用十分广泛，包括人脸识别、手势识别，而人体姿态估计则是对身体的关键点进行检测；本文将介绍一些常见的数据集、评价指标以及比较经典的算法；
人体姿态估计综述
热门推荐
seiyaaa的专栏
10-14 2万+
目录 一、人体姿态估计常用数据集 二、人体姿态估计常用评估指标 三、人体姿态估计论文 3.1 DeepPose: Human Pose Estimation via Deep Neural Networks(2014) 3.2 Convolutional Pose Machines（2016） 3.3Stacked Hourglass Networks for Human Pose Estimation(2016) 3.4 Associative Embedding: End-to-End..
基于YOLOv7的人体姿态估计讲解及源码
11-04
YOLOv7是一种高效、精确的目标检测框架，它在YOLO系列的基础上进行了创新，首次集成了人体姿态估计的功能。这篇文章将深入探讨YOLOv7在人体姿态估计中的应用，并提供源码解析，帮助读者理解其工作原理。 首先，我们...
多人人体姿态估计-基于Pytorch实现的HRNet多人人体姿态估计算法-附项目源码-优质项目实战.zip
05-14
多人人体姿态估计是一种计算机视觉领域的关键技术，用于在图像或视频中检测和理解多个个体的关节位置。本项目基于PyTorch框架实现了一种高效的HRNet（High-Resolution Network）算法，这是一种专门针对人体姿态估计...
基于openpose实现人体姿态估计
08-26
内容概要：主要利用开源openpose实现对人体19个部位点的识别 适用人群：人资姿态识别初学者，openpose初学者 使用场景及目标：工厂工人操作规范检测 操作指导效果链接：...
Python-用于3D人体姿态估计的PyTorch实现
04-25
Python-用于3D人体姿态估计的PyTorch实现 用于3D人体姿态估计的PyTorch实现
3D姿态估计-基于2D关键点轨迹在视频中进行高效3D人体姿态估计-优质项目实战.zip
03-27
本项目实战以"3D姿态估计-基于2D关键点轨迹在视频中进行高效3D人体姿态估计"为主题，通过2D关键点的检测和追踪来实现对三维人体姿态的有效估计。 首先，我们要理解2D关键点检测的重要性。在人体姿态估计中，关键点...
姿态检测简述
weixin_45233468的博客
06-02 575
姿态估计是通过计算机视觉技术，从给定的图像中识别人物的关键点，以及恢复人物的3D模型。姿态估计的下游应用包括识别动作、驱动动画、人机交互、动物行为分析等。
机器学习笔记 - week6 -（十一、机器学习系统的设计）
qq_24428851的博客
09-27 812
值，假设我们使用一种需要大量参数的学习算法，比如有很多特征的逻辑回归或线性回归，或者用带有许多隐藏单元的神经网络，那又是另外一种带有很多参数的学习算法，这些都是非常强大的学习算法，它们有很多参数，这些参数可以拟合非常复杂的函数，因此我要调用这些，我将把这些算法想象成低偏差算法，因为我们能够拟合非常复杂的函数，而且因为我们有非常强大的学习算法，这些学习算法能够拟合非常复杂的函数。于是他们把诸如这样的机器学习问题，当做一类监督学习问题，并尝试将其分类，什么样的词，在一个英文句子特定的位置，才是合适的。
李宏毅机器学习2022-HW8-Anomaly Detection
Tunny_one
09-27 640
李宏毅机器学习2022-HW8-Anomaly Detection
第十四周：机器学习笔记
Zcymatics的博客
09-29 808
本周周报在机器学习的理论内容中，概述了Transformer里面Decoder的内容，其中包括Decoder的结构、autoregressive decoder（自回归解码器）以及non-autoregressive decoder（非自回归解码器），此外还讲述了Transformer 的训练过程，并在最后提供了序列到序列模型训练常用的Tips。在Pytorch代码学习中，本周报详细的讲述了训练模型的一些常用手段和流程，并通过代码实现了包括数据收集、模型搭建、模型训练、结果展示等过程。
大数据分析案例-基于逻辑回归算法构建抑郁非抑郁推文识别模型
最新发布
m0_64336780的博客
10-04 2645
本项目基于逻辑回归算法构建抑郁非抑郁推文识别模型具有重要的研究背景和应用价值。通过该模型的研究和应用，我们可以更好地理解和预测社交媒体中用户的心理健康状况，为抑郁症等心理疾病的防治提供有力的支持。在本次实验中，我们探索了使用不同的机器学习算法——逻辑回归、决策树和XGBoost——来构建抑郁非抑郁推文识别模型。经过严格的模型训练和验证过程，我们对比了三种模型的性能，并发现逻辑回归模型在准确率上达到了91%，超过了决策树和XGBoost模型。因此，我们最终选择了逻辑回归模型作为本次实验的最终模型。
240929-CGAN条件生成对抗网络
weixin_66378701的博客
09-29 848
前面我们学习了GAN（）和DCGAN（），接下来继续来看CGAN（Conditional GAN）条件生成对抗网络。
机器学习和深度学习的区别
dhdjjfhdghh的博客
09-26 1518
深度学习是机器学习的一个子集，它基于人工神经网络的概念，特别是那些具有多个非线性变换的层（即深度）。深度学习模型能够自动从原始数据中提取复杂的特征，而无需人为干预。层次结构：深度学习模型由多个层次的神经元组成，每一层都对输入数据进行转换和抽象，从而捕捉数据的复杂特征。自动特征提取：与传统机器学习方法相比，深度学习能够自动从原始数据中学习特征，减少了对人工特征工程的依赖。计算密集型：深度学习模型通常需要大量的计算资源，包括高性能的GPU，以训练大规模的数据集和复杂的模型结构。代表性模型。
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