人体姿态估计常用评估指标（Human Pose Estimation Evaluation Metrics）

最新推荐文章于 2024-09-09 19:27:06 发布
最新推荐文章于 2024-09-09 19:27:06 发布
阅读量3.6k 收藏 9
点赞数 1
分类专栏： 人体姿态估计 文章标签： python 计算机视觉 深度学习
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/weixin_42265958/article/details/114988926
版权

文章目录

Evaluation Metrics

Percentage of Correct Parts - PCP

在这里插入图片描述
如果两个预测的关节位置和真实的肢体关节位置之间的距离最大为 肢体长度(limb length) 的一半（PCP为0.5），则认为肢体已被检测为正确的部位

用于测量四肢的检出率

缺点-处罚短肢

越高越好

Percentage of Correct Key-points - PCK

在这里插入图片描述
如果预测的关节与真实的关节之间的距离在某个阈值内（阈值变化），则检测到的关节被认为是正确的

越高越好

Percentage of Detected Joints - PDJ

在这里插入图片描述
如果预测的关节与真实的关节之间的距离在躯干直径（torso diameter）的特定范围内，则检测到的关节被认为是正确的

越高越好

Mean Per Joint Position Error - MPJPE

在这里插入图片描述
每个关节位置误差=地面真实情况与关节预测之间的欧式距离

每个关节位置误差的平均值=所有k个关节的每个关节位置误差的平均值（通常，k = 16）

越低越好

参考链接

Human Pose Estimation 101

3d pose 指标和数据集SMPL-X
jacke121的专栏
03-28 285
3d pose 指标和数据集SMPL-X
人体姿态估计-计算OKS指标-代码注释
songge1_2_3的博客
02-27 1219
人体姿态估计、crowdpose、oks指标推导过程
人体姿态估计算法
YYY_77的博客
12-03 5203
人体姿态估计(Human Pose Estimation, HPE)是一种识别和分类人体关节的方法。本质上，它是一种捕获每个关节（手臂、头部、躯干等）的一组坐标的方法，该坐标被称为可以描述人的姿势的关键点(keypoint)。这三种类型是随着应用逐步发展出来的，先检测关键点，类似于火柴人，进一步的检测出人的轮廓，再根据轮廓进一步的把人体进行3D重建。也称为运动学模型，该模型包括一组关键点（关节），例如脚踝、膝盖、肩膀、肘部、手腕和肢体方向，主要用于 3D 和 2D 姿势估计。
【人体姿态估计】（一）原理介绍
weixin_40620310的博客
04-25 3672
人体姿态估计本质上是一个关键点检测的项目；关键点检测在生活中的应用十分广泛，包括人脸识别、手势识别，而人体姿态估计则是对身体的关键点进行检测；本文将介绍一些常见的数据集、评价指标以及比较经典的算法；
Human Pose Estimation人体姿态估计综述调研
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...
姿态估计评价指标
如果想成为中心，那么就到中心去吧。
11-14 2351
如果两个预测关节位置与真实肢体关节位置之间的距离几乎小于肢体长度的一半，则认为肢体被检测到。它在躯干直径的一定比例内测量预测关节与真实关节之间的距离，称为检测关节百分比 (PDJ)。PCK 通常是相对于被包围在边界框内的对象的比例来设置的。深度学习算法需要适当的评估指标才能在训练过程中很好地学习分布，并在推理过程中表现良好。PDJ 有助于实现定位精度，这缓解了 PCP 的缺点，因为所有关节的检测标准都基于相同的距离阈值。因为 OKS 用于计算距离 (0-1)，所以它显示了预测关键点与真实关键点的接近程度。
人体姿态估计－评价指标（一）
热门推荐
ZXF_1991的博客
02-12 2万+
人体姿态估计－@1{评价指标}摘要 摘要 人体姿态估计可以细分成四个任务：单人姿态估计 (Single-Person Skeleton Estimation)、多人姿态估计 (Multi-person Pose Estimation)、人体姿态跟踪 (Video Pose Tracking)、3D人体姿态估计 (3D Skeleton Estimation)。 单人姿态估计: 输入是切割出来的单个...
人体姿态估计
叶剑杰的专栏
05-19 4454
Visual Geometry Group的Marcin Eichner，Manuel J.Marin-Jimenez,Andrew Zisserman,Vittorio Ferrari等提出一种静态图像中估计人体姿态的方法，甚至在复杂背景下。图片中的人能在任意位置，穿任意种类的衣服，任意颜色的衣服。唯一的要求是人是直立的并且是正面。项目提供Matlab代码，地址为：human pose estim
人体姿态估计数据集整理（Pose Estimation/Keypoint）：MSCOCO（逐年）、LSP、FLIC、MPII、AI Challenge及打分标准
m0_37644085的博客
09-30 1万+
姿态估计等数据集收集整理； LSP: 样本数：2K 关节点个数：14 全身，单人 Leeds Sports Dataset [12]及其扩展[13]，我们将通过LSP共同表示。它们包含11000个训练和1000个测试图像。这些是来自体育活动的图像，因此在外观和特别是关节方面非常具有挑战性。 FLIC 样本数：2W. 关节点个数：9 全身，...
论文阅读-《Global-to-Local Modeling for Video-Based 3D Human Pose and Shape Estimation》
zyd_994264926326的博客
09-09 931
GLoT 是一种针对基于视频的 3D 人体姿态和形状估计的全局到局部建模方法。它通过结合深度神经网络和人体的先验结构来捕捉长时依赖（long-range global dependency）和局部细节
论文笔记(RF-pose)-2018-Through-Wall Human Pose Estimation Using Radio Signals
clover_my的博客
04-16 4251
论文笔记(RF-pose) 论文：Through-Wall Human Pose Estimation Using Radio Signals 1、摘要： 介绍了一种深度神经网络方法，利用WiFi频率中穿过墙壁并反射到人体的无线电信号（射频，RF），来估计人体的二维姿态。由于无法对无线电信号进行标注，因此使用最先进的视觉模型(OpenPose )来提供跨模式的监督。具体来说，在训练过...
Whole-Body Human Pose Estimation in the World
majunfu
05-20 739
论文题目:Whole-Body Human Pose Estimation in the World 摘要（Abstract） 这篇文章对人体全身的二维姿态进行研究，目标是定位出人脸，人手，身体以及人脚对应的稠密关键点。目前来说存在的公开数据集并没有全身的标注信息，以前的工作不得不集成在不同数据集上独立训练的不同模型(人脸特征点模型，人体特征点模型，手部特征点模型等)，并且要面对不同的数据集偏置和较大的模型复杂度。为了填补这个空白，我们引入COCO-WholeBody数据集，这是一个在全身关键点方面标注上对
基于深度学习的单目2D/3D姿态估计综述（2021）
m0_50811752的博客
04-29 7916
Recent Advances in Monocular 2D and 3D Human Pose Estimation: A Deep Learning Perspective, 2021本文贡献整体介绍MHPE应用场景MHPE分类主要数据集期刊会议发展2020年针对MHPE的深度学习框架的概述难点现有解决方案人体表示Keypoint-based RepresentationModel-based Representation 本文对2014年以来的2D和3D人体姿态估计方法进行全面调研，精选出里程碑的方
2D/3D人体姿态估计 （2D/3D Human Pose Estimation）
MyArrow的专栏
02-29 1万+
1. 基本概念 2. 发展现状
检测与姿态估计的评价标准
xiaojiajia007的博客
12-07 9984
1. 通用目标检测中AP, mAP指标的定义和计算 转载自 点击打开链接 点击打开链接 多标签图像分类（Multi-label ImageClassification）任务中图片的标签不止一个，因此评价不能用普通单标签图像分类的标准，即meanaccuracy，该任务采用的是和信息检索中类似的方法—mAP（meanAveragePrecision）。mAP虽然字面意思...
3D人体姿态评估的指标（MPJPE和PCK和PVE）
子燕若水的博客
08-06 1968
人体姿态估计综述（2014-2019）
weixin_43466321的博客
07-31 6706
所谓的人体姿态估计，就是给定一幅图像或者一段视频，从中去恢复人体关节点的过程。到目前为止，利用深度学习进行姿态估计的方法大致分为两种：自上而下的方法和自下而上的方法。自上而下（top-down），即先检测出来人体，再对单个人进行姿态估计；而自下而上（down-top），则是先检测出人体关节点，再根据检测出来的关节点连成人体骨架。下面，将对近几年的人体姿态估计的论文进行一下汇总。 1.人体姿态...
人体姿势估计模型通用评估指标
Akita·Wang's Semantic Segmentation
12-03 2203
通用评估指标 需要评估指标来衡量人体姿势估计模型的性能。 正确部位的百分比 - PCP：如果两个预测的关节位置与真实肢体关节位置之间的距离小于肢体长度的一半（通常表示为PCP@0.5），则认为肢体被检测到（正确的部位）。 它测量肢体的检出率。结果是，由于较短的肢体具有较小的阈值，因此它会对较短的肢体进行惩罚。 PCP越高，模型越好。 正确关键点的百分比 - PCK：如果预测关节与真实关节之间的距离在特定阈值内，则检测到的关节被认为是正确的。阈值可以是： PCKh@0.5是阈值=头骨链接的50％时
三维人体姿态估计综述
最新发布
03-08
### 3D Human Pose Estimation Research Overview #### Datasets and Benchmarks The field of 3D human pose estimation has seen significant advancements through large-scale datasets that provide comprehensive data for training and evaluating algorithms. The **Human3.6M** dataset offers extensive motion capture sequences under controlled conditions, which serve as foundational resources for developing accurate models[^1]. Additionally, the **MPI-INF-3DHP** dataset extends beyond laboratory settings by capturing more diverse scenarios using multiple RGB cameras, enhancing generalization capabilities across different environments. #### Evaluation Metrics A widely adopted metric in assessing performance is MPJPE (Mean Per Joint Position Error), measuring average distance between predicted joint positions and ground truth annotations over all joints per frame. Lower values indicate better accuracy when comparing various approaches on standardized benchmarks like those mentioned above. #### Sensor Fusion Techniques Sensor fusion plays an essential role in improving tracking reliability especially within complex scenes involving interactions among multiple individuals where occlusions occur frequently. By integrating information from depth sensors alongside traditional visual inputs, systems can achieve higher precision even during challenging situations described previously regarding multi-person activities captured in real-world contexts[^2]. #### Challenges and Future Directions Applying these technologies towards autonomous vehicles or caregiving robots requires addressing specific challenges associated with estimating poses accurately amidst crowded spaces characterized by frequent physical contacts between people. For instance, the **PoseTrack** dataset highlights common occurrences found in everyday life, serving not only as valuable test material but also highlighting areas needing improvement concerning robustness against partial visibility issues caused by overlapping bodies[^3]. ```python def calculate_mpjpe(predicted_pose, true_pose): """ Calculate Mean Per Joint Position Error. Args: predicted_pose (numpy.ndarray): Predicted 3D coordinates of body joints. true_pose (numpy.ndarray): Ground-truth 3D coordinates of body joints. Returns: float: Average error value representing overall prediction quality. """ errors = np.linalg.norm(predicted_pose - true_pose, axis=1) return np.mean(errors) # Example usage demonstrating how one might evaluate model predictions versus actual measurements predicted_joints = ... # Array containing estimated locations for each keypoint true_joints = ... # Corresponding array holding correct answers obtained via mocap system etc. error = calculate_mpjpe(predicted_joints, true_joints) print(f"MPJPE Score: {error:.4f}") ```
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