关键点检测干货分享
文章平均质量分 81
本专栏需要目标检测及深度学习基础知识有一定了解,可对博士硕士研究生阶段的关键点检测学习可以起到略微的帮助。付费只是为了让自己以更端正的态度把文章写好,写正确。文章好,看的人多,收益的人就多。授人以鱼不如授人以渔,短期来看吃相不好看,但长期一定会造福更多业内研究者。
优惠券已抵扣
余额抵扣
还需支付
¥299.90
¥399.90
购买须知?
本专栏为图文内容,最终完结不会低于15篇文章。
订阅专栏,享有专栏所有文章阅读权限。
本专栏为虚拟商品,基于网络商品和虚拟商品的性质和特征,专栏一经购买无正当理由不予退款,不支持升级,敬请谅解。
@会飞的毛毛虫
计算机专业博士在读,曾在课题组负责过硬件、软件、算法及落地部署的开发工作,发表了几篇水文。主要方向是做跟踪、跨域的虚拟生成,致力于成为一名Full Stack developer。有相关问题可以私信我为大家解答,看到不妨点个关注,我们一起进步哦!
展开
-
新版mmpose训练新版RTMDet/Pose及自定义数据集制作
【代码】新版mmpose训练新版RTMDet/Pose及自定义数据集制作。原创 2023-07-28 11:54:30 · 857 阅读 · 0 评论 -
MMpose代码讲解之关键点Heatmap可视化
需要注意一点因为时top-down思路,所以只会对bbox内的区域可视化,而不是说对整幅图像可视化。为什么会多一个inference_model()方法呢,我们再将代码定位到。原创 2022-07-17 21:25:53 · 3561 阅读 · 0 评论 -
High-Resolution Network (篇二):MMpose代码讲解之Backbone及关键点Detector部分
的卷积层得到两个不同的尺度分支,即原始下采样4倍的分支以及新增的下采样8倍的分支,其生成代码为self.transition1=self._make_transition_layer([stage1_out_channels],num_channels)。Layer1输出的特征层随后接着通过transition1结构,每一个transition结构都会新增一个尺度分支,transition1在Layer1的输出基础上通过并行两个卷积核大小为。再往下走就是重复上述步骤,卷积层将会越来越多,不再赘述。.....原创 2022-07-14 22:08:58 · 2255 阅读 · 0 评论 -
High-Resolution Network (篇一):原理刨析
计算机视觉可以分为两类任务:图像分类、其他任务。对于图像分类任务而言,通常需要更加浓缩的语义信息,并不需要高分辨率的表征,只需要输出一个整体的标签即可。对于目标检测(区域级别分类任务)、分割和关键点检测(像素级别分类任务)而言,需要网络对位置信息更加敏感,因此需要学习高分辨率的表征。如何学习图像高分辨率表征是HRNet网络所解决的问题。传统的分类网络总是从高分辨率变为低分辨率,HRNet是从零开始设计的一个全新的网络结构,是一个高分辨率、中分辨率和低分辨率三路并行、不停交互的一个网络结构。需要说明的是,在计原创 2022-06-29 11:44:04 · 2985 阅读 · 0 评论 -
关键点检测之直接回归(逐行手撕Pytorch)
直接回归的整个流程如下:用卷积提特征 用全连接层进行回归得到关键点 与标签做损失并优化损失当图像很大的时候,神经网络是在整张图像中去寻找一个像素点,所以直接回归这一解决办法让神经网络的工作是非常难的。在下一篇我们会手撕热力图方案的代码。热力图就是在关键点周围生成一个高斯圆,整个圆都可以看作是当前的关键点,但是整个圆是有一个概率值在里面,最中心的概率值最大,对应的热力图也越红,越往外概率越小。这种方法相对直接回归来说正样本更多,学起来也就更快,效果也要比直接回归好很多。首先我们需要一些pytorch原创 2022-05-17 20:53:43 · 3982 阅读 · 1 评论 -
Win10下COCO Annotator的安装及如何一步步的标注自己数据集
我们在上一篇安装的WSL2和Docker环境的基础上,开始COCO Annotator的安装。步骤一:打开VPN,在Home下打开终端,输入命令: git clone https://github.com/jsbroks/coco-annotator 如下图所示: 步骤二:输入命令: cd coco-annotator 步骤三:运行docker。依次输入以下命令: sudo systemctl enable dockersudo systemctl start原创 2022-05-16 16:01:19 · 4539 阅读 · 0 评论 -
Win10下WSL2和Docker Compose的安装
Docker实际上是一个基于Linux的技术,其在Windows下安装有很多办法。如果在Windows下直接安装Docker实际上也是通过Hyper-V虚拟化技术做了Linux的虚拟化,因此才能够实现Docker的相关功能。比较常见的一种做法是直接安装Docker Desktop for Windows(如上图所示),这种方式的优势是不仅可以Build Linux的容器,也可以Build Windows的容器。还有一种做法是先安装WSL2,随后在WSL2的基础上安装Docker。注:WSL1中是无法安装Do原创 2022-05-03 11:05:41 · 5402 阅读 · 1 评论 -
第七篇:如何用关键点做一个姿态评估器(一)
假设已经可以获取人体关键点的坐标,那么如何把视频的连续帧完整考虑,整合为一个工程落地的应用,比如俯卧撑计数器呢?这就要设计到特征工程及分类器的构建了。下面会一一分析。我们先由简到难的考虑一个问题:如果要检测用手托住下巴这个简单动作。则可以把手的关键点和下巴关键点算一个欧氏距离,如果这个距离小于某个阈值就判断动作实现。这是非常容易的。那么如果要俯卧撑这样的复杂动作,则需要对关键点进行特征工程,具体的做法如下图:将人体躯干上的主要关键点(胳膊肘、肩膀、手腕、胯等)两两之间都计算距离。原创 2022-05-02 22:25:07 · 3690 阅读 · 0 评论 -
第六篇:MMpose之训练自己的数据集-动物关键点篇
由于MMpose封装的非常灵活,代码中需要理解的地方较多,姑对于自定义数据集,我们分大概三个篇章来做分析,今天是动物关键点检测篇。制作数据集:如上图所示:由于我们是基于Top-down模式做研究,因此我们必须先画出检测框,再在检测框中标注关键点。标注软件为labelme,需要注意以下几个点:为防止标注混淆,先标标注框(受评价指标限制,标注文件内必须有标注框这一项),再标关键点。 如图:红色框内为包含GTbox和关键点在内的所有标签的初始顺序,绿色框内为当前图像的标注顺序,请确保二者的一致.原创 2022-05-01 10:48:25 · 8586 阅读 · 7 评论 -
第五篇:如何标注并生成mmpose关键点检测的自定义数据集
在利用关键点检测任务时,如何给自己的图像数据做keypoints标注,是一个难点。目前主要有以下两个方法:对于单个目标的的keypoint标注,可以先用labelme标注点,然后用python把labelme的json格式转换为coco的json。注:labelme不支持x,y,v格式(下面会说)。 对于多个目标的的keypoint标注,一般是使用coco-annonate工具。COCO数据集的关键点标注字段如下annotation{ "keypoints": [x1,y1,v1,..原创 2022-05-01 10:38:16 · 8574 阅读 · 0 评论 -
第四篇:mmpose之各类Demo测试及自定义数据原理(强推)
博主本人做关键点检测的思路主要是Top-down,即先用检测算法得到目标框,在用mmpose里的网络得到关键点坐标并可视化。那么如果我们想用自己的检测网络,那么怎么和MMpose整合到一起呢?首先要做的第一步是得把官方Demo跑通,下面将会分别以2D人体图像关键点检测、2D人体图像全身关键点检测,2D动物图像关键点检测、2D面部图像关键点检测、3D人体分割、3D手部关键点检测、3D姿态估计的顺序,分别教大家如何用自己的数据、通过标注制作数据集实现官方Demo的跑通。第一节:2D人体图像关键点检测原创 2022-04-28 18:30:30 · 4192 阅读 · 2 评论 -
第三篇:Win10下mmpose-0.26的环境搭建
MMpose环境配置(尽量和博主保持一致叭,亲测可用)我的MMpose基础依赖环境为CUDA11.1、VS2019和python3.8。在安装好这些基础依赖后,先下载我提供的window下的MMpose安装包,里面包含了一些博主写的需要在测试和训练阶段用到的小脚本以及需要编译的mmcv包。下载链接为:链接:https://pan.baidu.com/s/1q7owDrQgjkpWr_Cfwwtaqg 提取码:5i3g 下面就进入环境配置环节,复制粘贴就可以了:步骤1:打开A..原创 2022-04-28 15:01:01 · 6866 阅读 · 0 评论 -
第二篇:关键点检测的两类方法及区别(短文)
关键点检测任务可以看成是一个标准的回归任务。具体来说目前主流的关键点回归就两种做法:方法一:用全连接层直接回归坐标点,比如k个点同时检测,那就是2k个输出神经元。Human keypoints任务最开始应用CNN就是这种方法。该方法的优点是可以端到端训练,并且训练和推理的速度很快。缺点是极大损害空间泛化能力(下面会细说)。相比于方法二,方法一是一种更难学习的监督方式,网络需要自行将空间位置转换为坐标。 方法二:先生成高斯热图,再通过argmax找出坐标点。比如要回归17个关键点,那么预测输出特征图..原创 2022-04-24 11:27:28 · 6086 阅读 · 1 评论 -
第一篇:关键点检测算法基础及mmpose文件夹规则
目录mmpose安装包命名规则2D人体姿态估计中的难点SPPEmmpose安装包命名规则具体主题下的文件夹的命名遵循以下规则(按任务类型命名): 2d、3d代表二维或三维。 kpt、mesh代表关键点检测或网格检测。 sview、mview代表单人姿态估计(Single Person Pose Estimation, SPPE)和多人姿态估计(Multi-person Pose Estimation, MPPE)。单人姿态估计是基础,目的是要从只包含一个人的图像中找出这一个人原创 2022-04-22 22:29:57 · 9622 阅读 · 0 评论