论文阅读记录_[CVPR2016] Convolutional Pose Machine

本文介绍了CVPR2016上的一篇论文——全卷积姿势机(Convolutional Pose Machine),它利用全卷积网络自主学习关键点上下文关系,通过多阶段网络逐步提升预测准确性。研究发现,增大感受野能提升关键点定位的精确度,并且不同关键点间的相互学习有助于定位。此外,中间监督有助于缓解深层网络的梯度消失问题。
摘要由CSDN通过智能技术生成

[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。
    这里写图片描述

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。论文的输入尺寸是368 * 368,感受野能达到将近300,几乎可以获得全图的上下文信息。这里写图片描述

  • 不同类关键点之间可以相互增强,联合学习。简单的点可以帮助难点定位。
    这里写图片描述

  • 中间监督,解决网络加深而出现的梯度消失问题。
    这里写图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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