【人体姿态】Convolutional Pose Machines

最新推荐文章于 2025-09-26 15:12:35 发布
原创 最新推荐文章于 2025-09-26 15:12:35 发布 · 4.7w 阅读 · 158 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #人体姿态 #图像 #deep-learn

本文详细介绍了Convolutional Pose Machines的工作原理和网络结构，包括多阶段监督、响应图计算等关键点。通过深度学习和卷积层，该模型在人体姿态分析中表现出色，尤其在2016年MPII竞赛中取得领先。文章还探讨了训练过程中的数据扩展、标定方法以及中继监督优化策略，以解决深层网络的优化问题。

Wei, Shih-En, et al. “Convolutional Pose Machines.” CVPR, 2016

本论文将深度学习应用于人体姿态分析，同时用卷积图层表达纹理信息和空间信息。目前在2016年的MPII竞赛中名列前茅。作者在github提供了训练和测试源码。
本文详解其思想和实践方法，并指出源码与论文中不同之处。

思想

本文的特色有三：
1.用各部件响应图来表达各部件之间的空间约束。响应图和特征图一起作为数据在网络中传递。
2.网络分为多个阶段（stage）。各个阶段都有监督训练，避免过深网络难以优化的问题。
3.使用同一个网络，同时在多个尺度处理输入的特征和响应。既能确保精度，又考虑了各个部件之间的远距离关系。
这里写图片描述

算法的流程如下：

  1. 在每一个尺度下，计算各个部件的响应图
  2. 对于每个部件，累加所有尺度的响应图，得到总响应图
  3. 在每个部件的总响应图上，找出相应最大的点，为该部件位置

重点在第一步。以下依次讲解：如何设计网络来计算响应图，以及如何训练网络。

网络结构

网络输入彩色图像（绿色ori image）。以半身模型为例，分为四个阶段（stage）。每个阶段都能

最低0.47元/天 解锁文章
2D人体姿态估计 - Convolutional Pose Machines(CPM)
light169的专栏
06-02 2404
Convolutional Pose Machines（CPM）的主要贡献在于： a) 用Heatmap来表示关节点的位置及位置约束关系，并且将Heatmap和Feature Map同时作为数据在网络中传递，同时在多个尺度处理输入的特征，充分考虑各个关节点之间的空间位置关系。 b) 多个阶段（Stage）有监督训练，避免过深网络难以优化的问题。 OpenPose是GitHub上最受欢迎的人体姿态估计项目（14.8K Stars, 4.2K Folks），其人体关键点检测正是主要基于Convo.....
Convolution Pose Machines (CPM)
Matthew技术小站
03-08 649
https://arxiv.org/pdf/1602.00134.pdf CPM基本上可以算是第一个end-to-end的单人姿态全卷积神经网络（同时期还有个Hourglass，两者时间差不多）。CPM是在之前PM(Pose Machines)基础上，加入卷积神经网络得到，CPM整体流程如下所示： （a）和（b）就是PM中的结构，（c）（d）则是CPM对应（a）（b）做的改进。CPM分为多个sta...
AI大模型学习（14）AI 小白入门！用 OpenCV+Python 打造人体姿态识别系统，超详细教程来了
最新发布
isoft888的专栏，致力于C#/python分享物联网、大数据，神经网络的等领域，欢迎讨论交流！
09-26 1171
这篇教程介绍了如何使用Python+OpenCV+MediaPipe搭建入门级人体姿态识别系统。主要内容包括：人体姿态识别的应用场景（如健身APP、体感游戏）、开发环境搭建（安装Python、OpenCV和MediaPipe库）、核心代码实现（通过30行代码完成摄像头姿态检测），以及进阶功能开发（深蹲动作纠正算法和PPT体感控制器）。教程详细解析了MediaPipe的BlazePose模型架构和33个关键点的生理学意义，并提供了多线程优化等性能提升方案。该项目适合AI初学者实践，无需复杂算法即可实现实时人体
《人体姿态估计》经典文章回顾1：Convolutional Pose Machine
wqthaha的专栏
06-12 699
这篇文章展示了一个姿态估计的系统设计，如何将卷积网络整合到pose机中以学习图像特征和图像相关的空间模型。
Convolutional Pose Machines（理解）
weixin_34259159的博客
11-30 467
0 - 背景 　　人体姿态识别存在遮挡以及关键点不清晰等主要挑战，然而，人体的关键点之间由于人体结构而具有相互关系，利用容易识别的关键点来指导难以识别关键点的检测，是提高关键点检测的一个思路。本文通过提出序列化结构模型，来提高人体姿态识别任务的效果。 1 - 贡献 使用一个序列卷积结构模型学习表达空间信息 采用系统的方法来设计和训练模型，以学习图像特征和依赖图像空间模型进行结构化预测的...
Certernet实现人体姿态估计（包括人体检测）的步骤记录
lxx4610的博客
05-12 3219
首先展示效果（此为官方图）： github链接：https://github.com/xingyizhou/CenterNet 1. 编译nms Note: 若未编译nms，则运行demo时会报错ModuleNotFoundError: No module named ‘external.nms’ git clone https://github.com/xingyizhou/CenterNet.git pip install -r requirements.txt # 安装必要模块，可使用conda创
论文翻译与原理理解：Convolutional Pose Machines
sunnyblogs的博客
01-06 784
网络结构 这篇论文是著名的openpose的前身。文章的网络结构如下： 图（a）和（b）所示是姿态机(pose machine )的工作原理，相应的卷积网络如图（c）和（d）所示。 图（a）和（c）展示了在第一阶段（stage 1）只对图像特征进行操作的结构。图（b）和（d）显示了后续stage（2~T）的结构，这两个stage同时对图像features和前一阶段的belief map（信念图）进行操作。（b）和（d）中的架构在所有后续阶段（2到T）中重复。在每个阶段之后，使用中间损耗层对网络进行局部监督
深度学习论文课程-全英文（高级） Convolutional Pose Machines CVPR2015-CasCNN等论文课程内容
03-22
姿态机提供了一种用于学习丰富隐式空间模型的顺序预测框架。在这项工作中，我们展示了如何将卷积网络系统地融入姿态机框架，以学习图像特征和图像相关的空间模型，从而完成姿态估计任务。本文的贡献在于隐式地对诸如...
论文笔记：Convolutional Pose Machines
牛顿爱吃香蕉的博客
03-29 1742
文章目录1、摘要2、介绍3、相关研究 1、摘要 姿态机为学习丰富的隐式空间模型提供了序列预测框架。作者展示了一个系统设计，如何将卷积网络结合到姿态机框架中，用于学习图像特征，以及用于姿态估计任务的图像相关空间模型。本文的贡献是隐式建模结构化预测任务中变量之间的远程相关性，例如关节式姿态估计。作者通过设计一个由卷积网络组成的序列结构来实现这一点，卷积网络直接对前几个阶段的置信图进行操作，对部位位置产...
convolutional pose machines 论文解读
JerryZhang__的博客
07-27 1489
paper title: convolutional pose machines paper link: https://arxiv.org/abs/1602.00134 oral or demo video：https://www.youtube.com/watch?v=L9Z8ijMfCCM https://www.youtube.com/watch?v=EOKfMpGLGdY project...
论文学习- Convolutional Pose Machines 卷积位姿机
backer
10-29 2261
Abstract Pose Machines提供了一个顺序预测框架，用于学习丰富的隐式空间模型。在这项工作中，我们展示了如何将卷积网络结合到用于学习图像特征的姿势机器框架和用于姿势估计任务的图像相关空间模型的系统设计。本文的贡献是隐式地模拟结构化预测任务中变量之间的长程依赖关系，例如关节姿态估计。我们通过设计一个由卷积网络组成的顺序架构来实现这一目标，该卷积网络直接在前一阶段的信念图上运行，为部...
卷积姿态机(单人姿态识别)论文阅读 CVPR2016
I good vegetable a!
02-05 6419
项目代码：https://github.com/CMU-Perceptual-Computing-Lab/convolutional-pose-machines-release 论文原文：https://arxiv.org/abs/1602.00134 推荐一篇写的特别好的总结博文：http://blog.csdn.net/zimenglan_sysu/article/details/520
全球上下文卷积姿态机：高效人体姿态估计
gitblog_00885的博客
09-13 1111
全球上下文卷积姿态机：高效人体姿态估计 项目介绍 在计算机视觉领域，人体姿态估计一直是一个具有挑战性的任务。传统的卷积姿态机（Convolutional Pose Machines, CPM）虽然在姿态估计方面取得了一定的成果，但在精度和推理速度上仍有提升空间。为了解决这一问题，我们推出了**全球上下文卷积姿态机（Global Context for Convolutional Pose Mach...
Convolutional Pose Machines 论文阅读
scarlet witcher的博客
09-28 1216
目录1.了解CPMs2.介绍CPMs2.1 Introduction2.2 methods 1.了解CPMs CPMs(Convolutional Pose Machines)：基于序列化的全卷积网络结构，学习空间信息和纹理信息，估计人体姿态. 本文使用CNN进行人体姿态估计，它的主要贡献在于使用顺序化的卷积架构来表达空间信息和纹理信息。顺序化的卷积架构表现在网络分为多个阶段，每一个阶段都有监督训练的部分。前面的阶段使用原始图片作为输入，后面阶段使用之前阶段的特征图作为输入，主要是为了融合空间信息，纹理
【人体姿态】Stacked Hourglass算法详解
热门推荐
shenxiaolu1984的专栏
05-17 6万+
Newell, Alejandro, Kaiyu Yang, and Jia Deng. “Stacked hourglass networks for human pose estimation.” arXiv preprint arXiv:1603.06937 (2016). 概述 本文使用全卷积网络解决人体姿态分析问题，截至2016年5月，在MPII姿态分析竞赛中暂列榜首，PCKh
Convolutional Pose Machine（CPM）解读
Raywit的博客
07-09 5114
Convolutional Pose Machine（CPM）解读 #Convolutional Pose Machine总结 目录 文章目录目录Convolu
Convolutional Pose Machines论文总结
weixin_43122854的博客
10-06 717
这篇文章在pose machines基础上应用了卷积网络，还用中继监督的方法避免了级数很多的情况下梯度消失的状况。用于预测图像中的关节位置，pose estimate. 几个特点： 应用卷积。 将图像特征（经过卷积网络提取出来的）和上一级输出的belief map作为本级的输入，belief map表示每个关节落在每个坐标点的置信值（分数），这样学习既考虑了图像的特征，也考虑了各部分之间的关联。...
【人体姿态估计1】Convolutional Pose Machines_2016
呆呆的猫的博客
03-14 1920
文章目录1. Introduction 该论文展示了如何将卷积网络嵌入到人体姿态估计框架中，来学习图像特征和与图像无关的空域特征。 贡献点： 使用序列化的卷积结构来表达图像信息和空间信息。 序列化的卷积结构表现在网络分为多个阶段，每个阶段都有监督训练的部分，前面阶段使用原始图片作为输入，后面阶段使用之前阶段的特征图作为输入，产生对局部位置越来越精细的估计。主要是为了融合空间信息，纹理信息和中心约束...
Convolutional Pose Machines
smartbigwang的博客
05-19 508
有关姿态估计的文章阅读，方便理解 较为详细https://www.aiuai.cn/aifarm176.html https://www.cnblogs.com/CZiFan/p/10045835.html 基于序列化的全卷积网络结构，学习空间信息和纹理信息，估计人体姿态. Pose Machines 是一种序列化的预测框架，可以学习信息丰富的空间信息模型. Convolutiona...
convolutional pose machines
03-16
卷积姿态机（Convolutional Pose Machines）是一种用于人体姿态估计的机器学习模型，通过卷积神经网络对人体图像进行处理，以检测和估计人体关键点的位置。它是一种端到端的模型，可以在输入图像的基础上直接预测...
评论 27
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