人体姿态估计 - Bottom-Up Human Pose Estimation Via Disentangled Keypoint Regression（DEKR）

最新推荐文章于 2024-06-09 09:30:57 发布
最新推荐文章于 2024-06-09 09:30:57 发布
阅读量1.3k 收藏 3
点赞数
文章标签： 关键点检测 人体姿态估计

B站：https://www.bilibili.com/video/BV1ky4y1s76X?spm_id_from=333.999.0.0

人体姿态估计方法分类

  • Top-Down
    pipeline：图片 -> 检测器 -> 多个行人 -> for person in detected persons，单独做关键点检测
    优点：精度高
    缺点：计算量大，耗时高
  • Bottom-Up
    pipeline：图片 -> 关键点回归(heatmap估计) -> 关键点分组(keypoints grouping) -> 每个人的关键点
    不需要做grouping的方法：图片 -> 中心点检测 -> 中心点回归 -> 每个人的关键点
    比如centernet。

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
和Group Conv的区别

  • 不同的branch的输入来自于上一级不同的channels组合
  • 计算量&参数量更小（没有升维操作，上一级是256通道，假设8个branch，分离之后每个branch通道为32）

其实区别感觉不大。。。

tang-0203
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
[论文阅读]Bottom-Up Human Pose Estimation Via Disentangled Keypoint Regression
qian9905的博客
10-20 446
该论文关注的是的是自底向上的关键点回归人体姿态估计，作者认为回归关键点坐标的特征必须集中注意到关键点周围的区域，才能够精确回归出关键点坐标。因此了一种名为解构式关键点回归（DEKR）的方法。这种直接回归坐标的方法超过了以前的关键点热度图检测并组合的方法，并且在 COCO 和 CrowdPose 两个数据集上达到了目前自底向上姿态检测的最好结果。
论文笔记 Bottom-Up Human Pose Estimation Via Disentangled Keypoint Regression（CVPR2021）
weixin_44946585的博客
12-17 1822
代码、模型： https://github.com/HRNet/DEKR 文章创新： 提出 disentangled ketpoint regression（DEKR）即解纠缠关键点回归。 使用一个多分支结构进行单独的回归，每个分支会有一个自适应卷积，每个分支会回归一个关键点。 该方法是自底向上的直接回归方法优于关键点检测和分组方法。 通过像素级空间变换（空间变换网络【26】的像素级扩展）来激活位于关键点区域的像素，然后从这些激活的像素学习表示，这样学习到的表示可以集中在关键点不部位。 使用.
论文笔记：CVPR2021 Bottom-Up Human Pose Estimation Via Disentangled Keypoint Regression
Blair_2的博客
11-09 504
task：Human pose estimation motivation：regressing keypoint positions accurately needs to learn representations that focus on the keypoint regions. background： two main paradigms: top-down and bottom-up. top-down： first detects the person and then perfor
DEKR:这是我们CVPR 2021论文“通过解开的关键点回归进行的自下而上的人体姿势估计”的正式实施（https
04-16
通过解聚的关键点自下而上的人体姿势估计 介绍 在本文中，我们对从图像估计人的姿势的自下而上的范例感兴趣。 我们研究了密集的关键点回归框架，该框架先前不如关键点检测和分组框架。 我们的动机是准确地回归关键点位置需要学习专注于关键点区域的表示形式。 我们提出了一种简单而有效的方法，称为分解关键点回归（DEKR）。 我们通过像素级空间转换器采用自适应卷积来激活关键点区域中的像素，并从中学习表示。 我们使用多分支结构进行单独的回归：每个分支学习具有专用自适应卷积的表示，然后对一个关键点进行回归。 产生的解缠结表示能够分别关注关键点区域，因此关键点回归在空间上更加准确。 我们凭经验表明，所提出的直接回归方法优于关键点检测和分组方法，并且在两个基准数据集COCO和CrowdPose上获得了出色的自下而上的姿势估计结果。 主要结果 不进行多尺度测试的COCO val2017结果 骨干 输入尺寸 #Pa
底层向上人体姿态估计：解耦关键点回归
最新发布
gitblog_00074的博客
06-09 371
底层向上人体姿态估计：解耦关键点回归 项目地址:https://gitcode.com/HRNet/DEKR 简介 在计算机视觉领域，底层向上的人体姿态估计是一项重要的任务，它涉及从图像中提取多人的关节位置信息。本项目引入了一种新的方法——解耦关键点回归（DEKR），对传统的密集关键点回归框架进行了改进。DEKR利用自适应卷积和像素级空间变换器来激活关键点区域，并从中学习表征，从而提升定位准确度。...
行为分析(二)：姿态估计部分（二）：HRNet-DEKR
qq_37662375的博客
06-18 3517
HRNet-DEKR: 通过解耦关键点回归完成自下而上的人体位姿估计 摘要：在本文中我们对从图像中估计人体姿势的自底向上范式感兴趣。我们研究了以前不如关键点检测和分组框架的密集关键点回归框架。我们的动机是准确地回归关键点位置需要学习专注于关键点区域的表示。我们提出了一种简单而有效的方法，称为解缠（解耦）关键点回归（DEKR）。 我们通过逐像素空间变换器采用自适应卷积来激活关键点区域中的像素，并相应地从中学习表示。我们使用多分支结构进行单独的回归：每个分支通过专用的自适应卷积学习一个表示并回归一个关键点。由
Bottom-Up Human Pose Estimation Via Disentangled Keypoint Regression阅读记录
叶子的博客
10-25 9196
Bottom-Up Human Pose Estimation Via Disentangled Keypoint Regression 解构式关键点回归 CVPR 2021 论文地址：https://arxiv.org/pdf/2104.02300.pdf 代码地址：https://github.com/HRNet/DEKR 一、模型结构 1、主干网络：HRNet-HRNet详解_gdtop的个人笔记-CSDN博客 输入：[3, 512, 512] 输出：[32, 128,128]、.
人体姿态估计综述（Human Pose Estimation Overview）
snailme的博客
07-18 1987
Part1：Single Person Pose Estimation 2015 年之前的方法都是回归出精确的关节点坐标( x,y )，采用这种方法不好的原因是人体运动灵活，模型可扩展性较差。 《Flowing ConvNets for Human Pose Estimation in Videos》ICCV 2015 延伸阅读：http://blog.csdn.net/qq_36165...
注意力机制＋人体姿态估计（human pose estimation）
2Dposeliu的博客
08-20 5030
重点内容# 欢迎使用Markdown编辑器写博客 本Markdown编辑器使用StackEdit修改而来，用它写博客，将会带来全新的体验哦： Markdown和扩展Markdown简洁的语法 代码块高亮 图片链接和图片上传 LaTex数学公式 UML序列图和流程图 离线写博客 导入导出Markdown文件 丰富的快捷键 快捷键 加粗 Ctrl + B 斜体 Ctrl...
轻量级人体姿态估计lightweight-human-pose-estimation.rar
06-29
本项目“lightweight-human-pose-estimation.rar”正是深度学习在人体姿态估计这一具体应用上的一个实例，其目标是通过算法精确地识别和定位图像中人物的关键骨骼点。 人体姿态估计是计算机视觉中的一个重要任务，...
Rethinking the Heatmap Regression for Bottom-Up Human Pose
11-17
总之，“Rethinking the Heatmap Regression for Bottom-Up Human Pose Estimation”这篇论文重新审视了自下而上人体姿态估计中的热图回归问题，提出了尺度自适应和权重自适应的策略，有效解决了不同人体尺度和标注...
Human Pose Estimation_人体python_estimation_人体姿态估计_human_人体姿态_
09-29
《Python实现人体姿态估计——PifPaf复合场解析》 在计算机视觉领域，人体姿态估计是一项关键的技术，它能够识别图像或视频中人物的关键关节位置，如头部、肩部、肘部等。这一技术广泛应用于动作识别、人机交互、...
Human-Pose-Estimation-Papers:2D＆3D人体姿势估计
03-06
通过卷积部分热图回归进行人体姿态估计 用于人体姿势估计的堆叠沙漏网络 DeeperCut：更深入，更强大，更快的多人姿势估计模型 3D姿势 迈向视点不变的3D人类姿势估计 基于贝叶斯图像的3D姿势估计 保持不变...
DeepPose: Human Pose Estimation via Deep Neural Networks
06-05
《DeepPose ： Human Pose Estimation via Deep Neural Networks 》原始论文，其为第一篇应用深度神经网络于姿态估计领域（Human Pose Estimation）的文章。发表于CVPR2014。
2021 CVPR | DEKR自适应卷积用于关键点检测（keras实现)
u011447962的博客
08-22 3035
from keras.layers import Layer, Conv2D import tensorflow as tf class AdaptConv2d(Layer): def __init__(self, outc, kernel_size=3, stride=1, bias=True, modulation=False): """ Args: modulation (bool, optional): If True, Modu.
Face Alignment / Human Pose Estimation [CVPR‘23, ECCV‘22, NeurIPS‘22]
qq_40731332的博客
12-21 962
Facial Landmark / Face Alignment 没有相关论文，大概每年几篇了；Human Pose Estimation：ECCV有17篇，NeurIPS有5篇，工作重点偏向3D。
值得参考的可视化与误差分析｜HRNet团队的另一款Bottom-up人体姿态估计方法
Patricia_daye的博客
06-10 415
这篇文章的误差分析和可视化部分做的不错，很详细很有学生气息，如果需要做一些实验报告或者大论文的分析论述可以参考。
姿态估计之2D人体姿态估计（1）（仅供个人参考）
light169的专栏
05-18 9171
参考 1、自顶向下的 2D 人体姿态估计 - 知乎 2、人体姿态估计(Human Pose Estimation)经典方法整理 - 知乎 3、2D人体姿态估计浅析 - 知乎 4、人体姿态估计中回归出了heatmap如何去计算关键点的坐标位置？ - 知乎 5、论文阅读 - Deep High-Resolution Representation Learning for Human Pose Estimation 6、【HRNet】《Deep High-Resolution Represen....
姿态估计之2D人体姿态估计 - HigherHRNet: Scale-Aware Representation Learning for Bottom-Up Human Pose Estimation
light169的专栏
06-13 1536
提出了一种新的Bottom-up的人体姿态估计方法HigherHRNet，该方法利用高分辨率特征金字塔学习尺度感知表示。 该方法在训练方面具有多分辨率监督，在推理方面具有多分辨率聚合功能，能够较好地解决自底向上多人姿态估计中的尺度变化挑战，并能更精确地定位关键点，特别是对小人物。 HigherHRNet中的特征金字塔由HRNet的特征映射输出和通过转置卷积的上采样高分辨率输出组成。.........
Attentional 2D-Human Pose Estimation
05-04
Attentional 2D-Human Pose Estimation refers to a technique used in computer vision and deep learning to estimate the pose of a human body in an image or a video. The technique involves the use of a neural network that has an attention mechanism. This mechanism enables the network to focus on specific regions of the image that are relevant to the pose estimation task. In the case of 2D-Human Pose Estimation, the neural network takes an input image and predicts the 2D coordinates of the joints of the human body. The attention mechanism allows the network to focus on the body parts that are most important for the pose estimation task, such as the head, shoulders, elbows, wrists, hips, knees, and ankles. The attentional 2D-Human Pose Estimation technique has shown promising results in various applications, including activity recognition, emotion recognition, and human-computer interaction. It has the potential to be used in fields such as sports analysis, healthcare, and robotics.
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