2D关键点检测之HRNetv2：Deep High-Resolution Representation Learning for Visual Recognition

已于 2023-06-23 18:05:38 修改
阅读量638 收藏 2
点赞数
分类专栏： 姿态估计 文章标签： 深度学习 计算机视觉 人工智能
于 2023-06-21 14:40:30 首次发布
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_54793880/article/details/131290369
版权

image.png
论文链接：Deep High-Resolution Representation Learning for Visual Recognition
时间：2019.08 TPAMI2019
作者团队：Jingdong Wang, Ke Sun, Tianheng Cheng, Borui Jiang, Chaorui Deng, Yang Zhao, Dong Liu, Yadong Mu, Mingkui Tan, Xinggang Wang, Wenyu Liu, Bin Xiao
分类：计算机视觉–人体关键点检测–2D top-down

目录：

1.HRNetv2背景
2.HRNetv2姿态识别
3.HRNetv2网络架构图
4.引用

1.主要在于学习记录，如有侵权，私聊我修改
2.水平有限，不足之处感谢指出

1.HRNetv2背景

  基于深度学习的特征表示在计算机视觉任务中通常分为两类：低分辨率表示（low-resolution representations）和高分辨率表示（high-resolution representations）。
  目前有两种主要的方

最低0.47元/天 解锁文章
论文解读|2020TPAMI|Deep High-Resolution Representation Learning for Visual Recognition
Akita·Wang's Semantic Segmentation
04-23 3408
用于视觉识别的深度高分辨率表征学习 github：https://github.com/HRNet 论文地址：https://arxiv.org/pdf/1908.07919 摘要 高分辨率表示对于位置敏感的视觉问题是必不可少的，例如人体姿态估计、语义分割和对象检测。现有的最先进的框架首先将输入图像编码为通过子网的低分辨率表示，该子网通过串联连接高到低分辨率卷积(例如，ResNet、VGGNet)而形成，然后从编码的低分辨率表示中恢复高分辨率表示。相反，我们提出的网络，命名为高分辨率网络(...
论文阅读笔记Deep High-Resolution Representation Learning for Visual Recognition（2021）
weixin_44946585的博客
12-22 848
论文：paper 原文代码：code 文章创新： 提出高分辨率网络（HRNet），网络在整个过程中保持高分辨率表示。 网络主要的特点： ①将高分辨率到低分辨率的卷积流并行链接。 ②在多分辨率中反复交换信息。 使得得到的结果表示在语义上更加丰富，在空间上更加精确。 1. 网络架构 1.1 Parallel Multi-Resolution Convolutions（并行多分辨率网络） first stage ：高分辨率卷积流。 逐步将高分辨率到低分辨率的流逐个添加，形成新的 stage ，并将这些分辨.
关键点检测——HRNet原理详解篇
秃头小苏的博客
08-26 2500
Hello，大家好，我是小苏👦🏽👦🏽👦🏽今天我打算来给大家介绍一个新的专题——姿态估计。先让我来搜搜姿态估计，看看百度出来的结果，如下：看到这些图，我觉得大家应该还是蛮熟悉的。这些都在对人体关键点进行检测，在计算机视觉领域，关键点检测是一个非常常见的任务，那么他和姿态估计有什么差异呢？我谈谈我的理解，它们之间确实是存在一定的区别，我感觉用“使用关键点检测技术来实现姿态估计”这句话来表示它们的关系是比较贴切的。也就是说，关键点检测是一项技术，而姿态估计是一种应用。
【论文翻译】Deep High-Resolution Representation Learningfor Visual Recognition
weixin_50862344的博客
01-29 446
【论文翻译】Deep High-Resolution Representation Learningfor Visual Recognition
【HRNet2019】Deep High-Resolution Representation Learning for Visual Recognition
我的博客
09-14 1726
高分辨率表示对于位置敏感视觉问题至关重要，如人体姿态估计、语义分割和目标检测。现有的现有技术框架首先通过子网络将输入图像编码为低分辨率表征，该子网络通过串联连接高到低分辨率卷积（例如，ResNet、VGGNet）而形成，然后从编码的低分辨率表征恢复高分辨率表征。相反，我们提出的网络称为高分辨率网络（HRNet），在整个过程中保持高分辨率表征。有两个关键特征：（i）**并行连接高分辨率到低分辨率卷积流**；（ii）**跨决议反复交换信息**。其好处是，生成的表示在语义上更丰富，在空间上更精确。我们展示了所提出
Deep High-Resolution Representation Learning for Visual Recognition阅读笔记
AnZhiJiaShu's blog
05-08 2406
用于视觉识别的深度高分辨率表征学习 论文链接 摘要： 高分辨率表示对于人体姿态估计、语义分割和目标检测这类位置敏感的视觉问题至关重要。现有的 sota 框架首先通过一个 high-to-low 分辨率卷积串联（例如ResNet、VGGNet）形成的子网将输入图像编码为低分辨率表示，然后从编码的低分辨率表示中恢复高分辨率表示。但是，HRNet在整个过程中保持高分辨率表示。HRNet 有两个关键特征：(i) 并行连接 high-to-low 分辨率卷积流；(ii) 在不同分辨率之间反复交换信息。这样能够使 H
HRNet(v1,v2,v2p)论文语义分割笔记及代码简读（Deep high-resolution representation learning for visual recognition ）
jqc8438的博客
11-23 5781
HRNet 原文：Deep high-resolution representation learning for visual recognition 论文链接: https://arxiv.org/abs/1908.07919v2 pytorch official code: https://github.com/HRNet 笔记时间：2020.11.22 文章最早发表在了CVRP2019，后面被顶刊TPAMI录用。 之所以要看这篇文章，是先看了OCR，看代码的过程中碰到backbone是HRNet，H
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
热门推荐
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
（十一：2020.08.28）CVPR 2017 追踪之论文纲要（译）
Jojo论文基地
08-28 3295
CVPR 2017 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录
（九：2020.08.27）CVPR 2019 追踪之论文纲要（译）
Jojo论文基地
08-28 8868
CVPR 2019 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这900篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录 论文 概要
YOLOv5姿态估计：HRnet实时检测人体关键点
01-15
利用YOLOv5进行姿态估计，HRnet与SimDR检测图片、视频以及摄像头中的人体关键点。 原工程文件分享： 考虑到很多同学真的是时间问题不想自己配置参数和权重，在这里我将自己的原工程文件分享给大家，只需要将路径改成自己的就可以啦。 包括： 一、项目准备 1Pycharm中克隆github上的项目 2.具体步骤 3.环境配置 二、目标检测 1.添加权重文件 2.获取图片边界框 3.添加SPPF模块 三、姿态估计 1.添加权重 2.修改yaml文件 3.获取关键点 4.绘制骨骼关键点 四、结果演示 1.照片演示 2.视频演示 3.实时演示 五、报错分析 1.路径问题 2.YOLOv5、YOLOvx训练过程警告：functional.py 3.matplotlib.use( Agg ) # for writing to files only 4.AttributeError: ‘Upsample‘ object has no attribute ‘recompute_scale_factor‘ 5. ‘gbk‘ codec can‘t decode byte
HRNet（Deep High-Resolution Representation Learning for Visual Recognition）-人体姿态估计
someng的博客
07-24 2824
HRNet，顾名思义，高分辨率网络(High-Resolution Network)，用于处理高分辨率的图片。通过并行连接从高分辨率到低分辨率的卷积来保持高分辨率表示，其中并行卷积之间存在重复的多尺度融合。
HRNet关键点检测
子燕若水的博客
11-13 1354
总的来说，HRNet在保持高分辨率、多尺度融合和全卷积网络方面具有优势，但在处理不可见点方面仍有待改进。HRNet是一种用于关键点检测的网络架构，它具有一些优点和缺点。
HRNet人体关键点检测
alex1801
08-28 5281
每个关键点的位置，都是通过调整最高热值来进行判断的。首先使用2个strided的卷积，减少输入图像的分辨率，获得初步特征图，然后把该特征图作为一个主体网络的输入，该主体网络的输出和输入的分辨率一样，其会其估算关键点的heatmaps。传统的单人位姿估计方法大多采用概率图形模型或图形结构模型，最近通过深度学习，自动提取特征方式，相对于传统的算法，提升是比较明显的。有的位姿估计网络是通过串联高分辨率子网来建立的，每个子网形成一个stage，由一系列卷积组成，并且在相邻的子网之间有一个下样本层来将分辨率减半。..
关键点检测——HRNet源码解析篇
最新发布
秃头小苏的博客
08-26 1220
Hello，大家好，我是小苏👦🏽👦🏽👦🏽在上一节中，我已经为大家介绍HRNet的原理部分，其实说起来挺惭愧，因为原理部分介绍的还是比较简单的，我想你仅仅阅读原理部分是很难彻底弄明白HRNet的精髓。那么本节将在上一节的基础上，为大家更细致的讲解HRNet。🧨🧨🧨当然了，本节属于源码解析篇，所有会存在比较多的代码，大家也不用担心看不懂，我都对关键代码做了详细的解释，并画图进一步帮助大家理解，所以大家一定要耐心看下去喔。🎯🎯🎯。
关键点检测一：HRNet数据预处理（MPII）
Mr.Pru
12-20 5739
关键点检测一：HRNet数据预处理（MPII）前言HRNet源码数据预处理目录位置源码分析JointsDataset类`__init__``_get_db``half_body_transform``__getitem__``get_affine_transform``generate_target` 前言 最近在做考场行为分析的一个项目，其中我负责的是使用关键点检测算法来进行考生异常行为检测。之前只接触过分类算法，写与看的代码也只限于分类任务。而检测任务工程量太大，因此在看官方源码时非常的吃力，因此希望写
关键点检测——HrNet网络结构搭建
m0_56247038的博客
10-22 1452
HRNet网络结构搭建，
deep high-resolution representation learning for visual recognition
01-09
在传统的视觉识别任务中，如图像分类、目标检测和语义分割，传统的特征表示方法通常提取低级或中级特征，这些特征可能无法有效地捕捉到图像的复杂信息。而深度高分辨率表示学习通过多层神经网络的结构和大规模训练...
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