论文翻译与原理理解：Convolutional Pose Machines

最新推荐文章于 2023-06-05 10:44:57 发布
原创 最新推荐文章于 2023-06-05 10:44:57 发布 · 795 阅读 · 7 ·
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 #计算机视觉 #人工智能

本文详细介绍了Convolutional Pose Machines的工作原理，它是一种序列预测框架，利用深度卷积网络学习图像特征和空间上下文，解决关节定位问题。论文通过端到端训练避免梯度消失，并在各个阶段对网络进行局部监督，提升预测准确性。

1. 网络结构

这篇论文是著名的openpose的前身。openpose的关节点 confidence maps就是用了这篇论文的思想。跟这篇论文展示的是不是很像呢。
在这里插入图片描述
论文采用了卷积神经网络对输入的图像特征信息进行卷积计算，在stage1（第一阶段）得出特征点位置的置信图用于判断该特征点为目标关节的可能性的小。经过stage1的初始预测之后，进入到重复的stage（2~T），在接下来的stage循环中，需要接收图像特征和上一阶段产生的置信图的空间内容信息从而不断优化预测结果。

文章的网络结构如下：
在这里插入图片描述

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，以防止在训练期间梯度消失。在下面的插图（e）中，我们展示了建筑图像（以左膝为中心）上的有效感受野，其中大的感受野使模型能够捕捉到长距离的空间依赖关系，例如头部和膝盖之间的空间依赖关系。
咱们先不看具体的卷积参数，先把主干网络扒出来:

最低0.47元/天 解锁文章
convolutional pose machines 论文解读
JerryZhang__的博客
07-27 1491
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...
Convolutional Pose Machine - 卷积姿态网络
热门推荐
mpsk的博客
03-12 1万+
Convolutional Pose Machine - 卷积姿态网络 论文主要解决 单人单目 RGB图像姿态估计问题。本篇论文也是现在非常火热的openpose开源项目的核心之一，这篇来自CMU的论文为单人姿态估计方面研究注入新的思路。论文网址 Convolutional Pose Machine 大家可以下载原文。 Convolutional Pose Machine - ...
2D人体姿态估计 - Convolutional Pose Machines(CPM)
light169的专栏
06-02 2445
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.....
论文阅读：《Convolutional Pose Machines》CVPR 2016
DRACOYU的博客
12-17 793
        概述 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，纹理信息和中心约束。另外，对同一个卷积架构同时使用多个尺度处理输入的特征和响应，既能保证精度，又考虑了各部件之...
【论文阅读】Convolutional Pose Machine
小小小草儿的博客哟
02-01 1947
声明：转载请注明原文链接，阅读内容仅个人见解，如有理解错误，请联系我，欢迎交流。 《Convolutional Pose Machine》 0 摘要 " role="presentation">\qquad姿态机提供了一个连续的预测款框架，可以学习丰富的隐式空间模型（参数或者说是特征）。在这项工作中我们展示了如何系统的设计一个卷积神经网络将其加入到姿态机中，来学习图像的特征和姿态检测
论文笔记：Convolutional Pose Machines
牛顿爱吃香蕉的博客
03-29 1746
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...
2D关键点检测之CPM：Convolutional Pose Machines
qq_54793880的博客
06-05 580
网络分为多个层级多个stage，第一个stage将从patch得到的特征作为输入，经过多分类器得到各个part的置信度，接下来的stage同时将特征和上一个stage在不同层级上得到的上下文信息作为输入，经过分类器得到这个阶段各个part的置信，此时得到的结果比stage1的结果好。为了适应数据集，把裁剪后的图像归一化为368×368，第二阶段在第一阶段输出heatmaps上的感受野设置为31×31，等价于在原始输入图像上的感受野为400×400，能可以覆盖图像中任何一对关键点。不同训练策略的精度（b）；
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
最新发布
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...
READING NOTE: Convolutional Pose Machines
joshua_1988
12-27 1381
TITLE: Convolutional Pose Machines
Convolutional Pose Machines（理解）
weixin_34259159的博客
11-30 472
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...
Python-ConvolutionalPoseMachines的Tensorflow实现这是用于2D身体和手部姿势估计的最先进模型之一
08-10
Convolutional Pose Machines的Tensorflow实现，这是用于2D身体和手部姿势估计的最先进模型之一
Convolutional Pose Machines
qq_30096641的博客
08-17 1450
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。  convolutional pose machines, CVPR 2016. 论文：http://arxiv.org/abs/1602.00134 project：https://github.com/shihenw
论文阅读记录_[CVPR2016] Convolutional Pose Machine
二极管具有单向导电性
04-26 569
[CVPR2016]Convolutional Pose Machine 1.特点 全卷积网络。 不需显式地构建关键点之间的上下文关系，通过增大网络感受野来让网络自主学习。 多阶段。随着网络的加深，感受野逐渐增大。因此早期的阶段着重关注局部特征，后期的阶段着重关注全局特征。 2.重要结论 感受野的大小对于关键点预测结果的影响。感受野越大，上下文关系越多，所以结果更准确。论文的...
Convolutional Pose Machines论文总结
weixin_43122854的博客
10-06 720
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。...
Convolutional Pose Machines 论文阅读
scarlet witcher的博客
09-28 1224
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
convolutional pose machines
十年磨一剑
11-04 345
该篇文章主要用来估计Joint的位置 贡献在于用了ψt>1\psi_{t>1}ψt>1​ capture spatial context across all stages 值得注意的句子 the magnitude of back-propagated gradients decreases in strength with the number of intermediat...
【Pose】Convolutional Pose Machines
Arron_hou的博客
06-02 682
【Pose】Convolutional Pose Machines3.1 Method3.2 Convolutional Pose Machines：3.2.1 Keypoint Localizaton Using Local Image Evidence3.2.2 Sequential Prediction with Learned Spatial Context Features算法流程使用阶...
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