Fast Human Pose Estimation

最新推荐文章于 2021-01-30 19:02:13 发布
最新推荐文章于 2021-01-30 19:02:13 发布
阅读量2.1k 收藏 1
点赞数
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/u010848594/article/details/90718322
版权

基于Hourglass的一种轻量网络，特点：轻量，易训练

知识蒸馏，有一个老师模型，然后训练轻量的学生模型，这样会更快

3.1网络结构：相比于沙漏网络，stage砍半，channel砍半，就没其它改变了

3.2LOSS是两部分，一部分是老师的预测结果，一部分是GT

感觉作者的remark就是在扯淡。

还给了个MSE和交叉熵LOSS，结果差不多

作者还给了不用知识蒸馏结果也在一个点的范围内

这篇文章有点水。。。。。

BUAA_小胡
关注
Fast_Human_Pose_Estimation_Pytorch
jacke121的专栏
09-06 2791
Fast_Human_Pose_Estimation_Pytorch 权重：model_best.pth.tar python tools/mpii_demo.py -a hg -s 2 -b 1 --mobile True --checkpoint model_best.pth.tar --in_res 256 --device cuda 效果不是特别好：s 8 b 1 mob...
FPD: Fast Human Pose Estimation
Matthew技术小站
11-16 2381
文章地址:arxiv 这篇文章是电子科技大学和visionsemantics实验室联合发布的一篇文章. 文章目的: 人体姿态估计经过近几年的发展,在精度方面已经做的挺不错了,但越高的精度就意味着越深越宽的网络. 这样就造成了一个问题, 现有的state-of-the-art的模型没有办法在轻量级的设备上跑,例如普通的手机,没有很好的GPU的电脑等等. 文章的目的就是为了能够得到一个很轻量级的模型,...
Human Pose Estimation人体姿态估计综述调研
热门推荐
Anymake的专栏
08-23 1万+
给定一幅图像或一段视频，人体姿态估计就是去恢复其中人体关节点位置的过程。 数据集 LSP 地址：http://sam.johnson.io/research/lsp.htm 样本数：2K 关节点个数：14 全身，单人 FLIC 地址：https://bensapp.github.io/flic-dataset.html 样本数：2W 关节点个数：9 全身，单人 MPII 地...
身体姿势估计 - Human Pose Estimation
MyArrow的专栏
07-19 7776
1. 简介    人体姿势估计主要采用：数据驱动、从下到上的方法；在此方法中，像素被独立地标记为身体的某一部分，或投票决定关节的位置。
【论文阅读笔记】Fast Human PoseEstimation
时光机 °的博客
07-02 725
论文地址：https://arxiv.org/abs/1811.05419v1 github网址：https://github.com/ilovepose/fast-human-pose-estimation.pytorch 全文总结   该论文并未提出啥有意思的东西，总体就是知识蒸馏和**“自定义模型压缩”**的应用，提供一个思路。   该方法名为 FTD，Fast Pose Distillation，也就是知识蒸馏应用在pose检测上的意思。 文章内容介绍   文中的方法应用对象为Hourglass网络
Learning to Refine Human Pose Estimation
Matthew技术小站
03-11 1443
翻到的一篇18年的老文章, 讲的是如何对关键点预测网络预测出的关键点进行修正, arxiv链接. 论文目的 对已有的pose estimation model产生的pose进行修正 论文方法 训练一个新的模型, 来对某个pose estimation model产生的pose进行修正, 新模型文章命名为 PoseRefiner. 输入: 原始图片Image, 原始图片Image与其经过pose ...
RePose: Learning Deep Kinematic Priors for Fast Human Pose Estimation
Matthew技术小站
06-05 648
单人pose模型文章，提出了一种基于kinematic structure来辅助模型对关键点进行定位，整体结构如下： 模型是一个仿U-Net结构的网络结构，忽略U-Net的底部，先看下输出，模型会在不同的scale下进行upsample到原图分辨率大小进行heatmap输出，所以是个包含有多个loss的网络结构，重点看下上图中的绿色部分，也即是文章提出的Kinematic Features Updates结构。 Kinematic Features Updates 这个结构相当于是根据先验知识对人体姿态进行
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，...
详细解释一下FastNet: Fast high-resolution network for human pose estimation
03-28
FastNet是一种快速高分辨率网络，用于人体姿势估计。它是基于深度学习的模型，旨在快速准确地预测人体关键点的位置，从而实现人体姿势估计。 FastNet的设计采用了一些创新的技术，以提高模型的准确性和速度。...
human-pose-estimation:简单轻量的人为估计
05-16
简单轻巧的人体姿势估计 介绍 在COCO关键点有效数据集上，如果with_gcb模块达到66.5的mAP ，否则达到64.4的mAp 主要结果 COCO val2017数据集上的结果 拱 with_GCB 美联社 Ap .5 AP .75 AP（男） AP（长） 增强现实 AR .5 AR .75 手臂） AR（左） 256x192_lp_net_50_d256d256 是的 0.665 0.903 0.746 0.644 0.697 0.700 0.911 0.771 0.672 0.743 256x192_lp_net_50_d256d256 不 0.644 0.885 0.715 0.619 0.685 0.679 0.898 0.742 0.647 0.725 笔记： 使用翻转测试。 环境 该代码是在Ubuntu 16.
Fast_Human_Pose_Estimation_Pytorch:CVPR2019文件的“ Pytorch代码”“快速人体姿势估计” https
05-04
快速人体姿态估计火炬 这对于论文“来说是非官方的实现。 大部分代码来自用于沙漏网络pytorch实现。 在此仓库中，我们遵循了“快速人体姿势估计”提出的“快速姿势蒸馏”方法，以提高轻量级网络的准确性。 我们首先训练了一个深层的教师网络（堆栈= 8，标准卷积，为88.33 @Mpii pckh），并用它来教授学生网络（堆栈= 2，深度卷积，为84.69％@Mpii pckh）。 我们的实验表明，从知识蒸馏中获得了0.7％的收益。 我对轻型学生模型hg_s2_b1_mobile_fpd进行了基准测试，并通过OpenVino在i7-8700K上获得了43fps 。 可以从找到详细信息 请通过检查官方实施 2019年2月更新 通过使用上传的额外未标记图像hg_s2_b1_mobile_fpd_unlabeled训练的模型显示，教师从未标记数据上转移的知识可hg_s2_b1_mobile_fpd_
Human-Pose-Estimation-Papers:2D＆3D人体姿势估计
03-06
人的姿势估计文件 [CVPR 2016]-201511 -201602 其他 联合关节的3D深度卷积描述符进行动作识别 2D姿势 使用深度共识投票的人体姿势估计 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SMPL：从单个图像（聚光灯）自动估计3D人体姿势和形状 3D人体姿势估计的顺序方法：身体关节的定位和标识分离 -201605 2D姿势 CRF-CNN：人体姿势估计中的结构化信息建模 3D姿势 MoCap指导的用于野外3D姿态估计的数据增强 -201609 没有 [CVPR 2017]-201611 -201702 没有 -201703 2D姿势 多实例姿势估计中的基准测试
(8) Human Pose Estimation : Fast Human Pose Estimation : CVPR 2019
qq_17721239的博客
09-11 463
Human Pose Estimation : Fast Human Pose Estimation CVPR 2019 reading time : 2019/09/10 paper address :https://arxiv.org/pdf/1811.05419.pdf 本文针对的是目前人体姿态研究往往只考虑模型的泛化，提高performance。而很少研究效率问题。 结构：Fa...
Pose论文阅读：Fast Human Pose Estimation
b_lack的博客
08-21 995
Fast Human Pose Estimation Abstruct 现在的Pose框架虽然精度以及泛化能力已经不错，但是模型过于复杂，使得参数量以及部署时消耗的内存过大。 这篇文章就是通过牺牲极少部分的精度来达到大幅度减少内存的消耗的目的。作者主要是通过用训练好的教师网络（大网络）将知识传递给学生网络（小网络）来实现这一目的，他们称他们的方法为Fast Pose Distillation（F...
姿态估计的模型评估_快速人体姿态估计：CVPR2019论文阅读
weixin_32127545的博客
01-30 1672
快速人体姿态估计：CVPR2019论文阅读Fast Human Pose Estimation论文链接：http://openaccess.thecvf.com/content_CVPR_2019/papers/Zhang_Fast_Human_Pose_Estimation_CVPR_2019_paper.pdf摘要现有的人体姿态估计方法通常只考虑如何提高模型的泛化性能，而忽略了显著的效率问题。...
人体姿态fast-human-pose-estimation.pytorch
jacke121的专栏
11-06 3199
下面两个指向同一篇论文，权重100m： 这个没跑起来： 现在测的都不准，可能代码不对 256*256的图像要100ms， https://github.com/ilovepose/fast-human-pose-estimation.pytorch 256*256 这个需要160ms https://github.com/yuanyuanli85/Fast_Human_Pose...
Knowledge Distillation(9)——Fast Human Pose Estimation
judgechen1997的博客
09-23 376
如果这一系列博客之前的都有看了，且有了解过pose领域的hourglass， 这篇文章的idea就很清晰了： 对每个hourglass module的中继监督，同时加入hard label&teacher’s soft output 关于文章的一些思考，一些别人的博客翻译总结的很好： ...
Attentional 2D-Human Pose Estimation
最新发布
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 1
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