Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields论文阅读笔记-2

最新推荐文章于 2020-12-02 21:40:54 发布
最新推荐文章于 2020-12-02 21:40:54 发布
阅读量218 收藏
点赞数
分类专栏： 学术方向基础实践 文章标签： openpose 动作识别
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_43207976/article/details/107304848
版权

Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields论文阅读笔记-2

针对原论文2.1Simultaneous Detection and Association部分介绍的网络结构部分作一简要笔记

网络结构如下图所示

在这里插入图片描述

  1. 输入原始彩色人体图片
  2. 原始图片经过VGG-19网络的前10层（微调）进行处理，得到特征图F
  3. 网络由连续的多个阶段组成，每个阶段都有两个可反复迭代的CNN分支构成，两个CNN分支同时进行。
  4. 第一个分支网络ρ（上方米黄色）用来预测Part Confidence Map（CPM，部位置信图），输出一个集合S =(S1 , S2 , …, Sn) ，n表示人身上的第n个部位。S用来完成对身体部位的预测
  5. 第二个分支网络φ（下方浅蓝色）用来预测part affiity fields（PAF，部位亲和场），输出一个集合L= (L1 , L2 , …, Ln ), n表示人身体的第n个肢体。L结合S结合二部图匹配，用来完成对肢体的预测
  6. 在第一个阶段，两个分支CNN均接受特征图F作为输入，将S1=ρ1(F)和L1=φ1(F)作为本阶段的输出。
  7. 在第t（t>2）个阶段，两个分支均接受特征图F和前一阶段两个网络的输出St-1,Lt-1作为输入，并输出相应的St和Lt。

在这里插入图片描述

  1. 每一阶段每个分支网络都有其损失函数，损失函数采用L2损失函数加权的表示。权重W（p）的作用：是在某些情况下，数据集中可能存在对部位的标注不完全的情况，此时的S*j（p）和L*c（p）的值为0,从而导致损失函数的值特别大，在这种情况下，令W（p）=0，从而避免这种情况的发生。

在这里插入图片描述

  1. 而网络的总体损失函数被定义为各阶段每个分支网络损失函数的和。网络的目标是不断降低这个损失函数的值

在这里插入图片描述

  1. 经过多个阶段的迭代，输出结果St和Lt相比初始结果S1,L1会有明显的优化
  2. 为了计算损失函数，需要得到S*j（p）和L*c（p），即身体部位和部位亲和场PAF的GroundTruth，这也是本篇论文之后重点介绍的部分
基于深度学习的3D pose estimation总结（包括几篇2D pose estimation）
qq_40045309的博客
05-04 8077
声明：此文章是作者自己学习过程中的简单总结，也是作者第一次上传，仅供各位同行参考，也请对文中错误和不足多多指教，敬请指正，谢谢！ 一、任务描述 给定一幅图或者是一段视频，人体姿态估计就是恢复出其中的人体关节点位置的过程。 二、挑战和难点 1.人体肢体运动较为灵活； 2. 视角的变化； 3.附着物的变化（比如遮挡，衣物等）； 4.3D pose estimation缺乏数据集； 三...
论文解读-Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
为之则易，不为则难
01-27 2433
最近需要做视频分类相关的工作，在做技术调研过程中，了解到视频分类包含了两种形式，（1）通用的多标签视频分类，它的特点是标签为静态的，也即做分类时不需要考虑图像帧之间的关联性，因此跟基于图片的分类没什么差异了。（2）行为识别，因为是“行为”，所以这类任务需要考虑图像帧之间的关联性，比如“芭蕾舞”、“绘画”等，包含了3D卷积和Two-stream两种方法，在看了这方面的综述文章后发现是全新的方向。因为...
论文阅读：《Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields》CVPR 2017
热门推荐
青青韶华
10-23 1万+
概述本文承接CMP论文的框架结构，最大的创新点在于提出了一种PAF的方法，能够有效的针对多人进行姿态估计，同时在保证精度的情况下，可以做到实时的效果。传统的方法采用top-down的方法，即先检测人，然后对每一个人进行姿态估计，但是当人离得比较近的时候，检测人体的方法无效；并且人数越多，检测所花的时间约多，不能做到实时效果。因此本文采用bottom-up的方式，但是也利用了全局上下文信息。PAF文章
人体姿态估计(Human Pose Estimation)技巧方法汇总
深度学习技术前沿
02-06 4488
关注上方“深度学习技术前沿”，选择“星标公众号”，资源干货，第一时间送达！作者：Poerozhttps://zhuanlan.zhihu.com/p/104917833本文已由原作者授权...
论文笔记：OpenPose（Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields）
牛顿爱吃香蕉的博客
06-05 3395
Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields1、主要成果2、算法细节2.1、算法原理2.2、实现细节2.2.1、网络结构2.2.2、损失函数2.2.3、GT 置信图生成2.2.4、PAFs 生成2.2.5、PAFs 多人分析2.2.6、结果3、总结4、感想 1、主要成果 提出将人体部位与个体联系起来的非参数化...
《OpenPose：Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields》论文笔记
m_buddy的博客
08-09 480
参考代码：openpose 1. 概述 导读：这篇文章提出了一种bottom-up的2D图像多人关键点（躯干/手脚/面部，使用掩膜控制训练整合数据集）检测算法，这样使得整体网络的运算时间并不与图像中人数呈现显著相关的关系。在这篇文章中提出了PAFs（Part Affinity Fileds）（用于去编码关键点的位置与方向信息），用于去建模每个部位之间的相互关系，并且文章发现同时去优化PAFs和人体的部位并不是最优的选择，先去优化PAFs而不是同时去优化它们两个能带来更好的性能表现。这篇文章的方法也是涵盖了
论文学习笔记：OpenPose: Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
wangyc1208的博客
07-15 3133
这篇论文是作者在 CVPR 2017发的论文 https://arxiv.org/abs/1611.08050的基础上进行了改进。 GitHub主页：https://github.com/CMU-Perceptual-Computing-Lab/openpose Links to the papers ： https://arxiv.org/abs/1812.08008 —————————————...
论文阅读-Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
三度就好
09-14 6337
Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields （曹哲）作者主页：http://people.eecs.berkeley.edu/~zhecao/#top，论文的贡献还是  多人实时和效果 文章代码总共分为两条线 第一条线：求所有的关键点（头，肩膀，手肘，手腕 ... ） 1）一共两个cnn，第一个
【论文】Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
qq_37367581的博客
11-25 126
理解参考 https://blog.csdn.net/Lin_xiaoyi/article/details/78838393
ROS下的人体姿态识别tf-pose-estimation（tensorflow版本的openpose）
qq_33970986的博客
12-02 2万+
相关链接： gayhub： tf-pose-estimation https://github.com/ildoonet/tf-pose-estimation tf-pose-estimation for ROS https://github.com/ildoonet/tf-pose-estimation/blob/master/etcs/ros.md paper：https://arxiv.org/pdf/1611.08050.pdf 环境配置：9代i5+1660T；ubuntu18.04；nv.
【论文笔记】Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
weixin_42663567的博客
09-24 1161
时隔很久终于回来了，虽然状态不是很好，但是因为开学了就不得不搞起来。 换了方向了，以后大概是姿态估计走下去了。 1 Intro 这是一个自底向上的实时多人的2D人体姿态估计模型。提出了PAFs方法，用来学习人体部位和人体的关联关系。证明了只改进PAF而不是同时改进PAF和身体部位位置可以显著提高运行时性能和准确性。 自顶向下的方法直接利用了现有的单人姿态评估技术，但是会受到影响:如果人检测失败了（当人们离得很近时，很容易失败）就没有办法恢复。此外，它们的运行时间与图像中的人数成正比，因为要对对于每个人检.
Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields中文论文
https://www.ilovegirl.top
09-08 417
https://github.com/assmdx/ComputerVisionDoc/blob/master/openpose/openpose.md 本文章为原创文章，转载请联系 assmdx183@163.com
Ubuntu下配置OpenPose全流程防踩坑指南
weixin_43207976的博客
07-13 1595
Ubuntu下配置OpenPose全流程防踩坑指南Ubuntu下配置OpenPose全流程防踩坑指南Ubuntu和Win10双系统的安装前置依赖安装Nvidia显卡驱动、CUDA及CUDNN安装OpenCV安装CMake-GUI安装Caffe依赖安装OpenPose安装参考资料 Ubuntu下配置OpenPose全流程防踩坑指南 最近因为需要，开始从头在Ubuntu下配置OpenPose环境，之前在Windows 10 下跑过OpenPose的官方Demo，可以说是部署了一大半，感觉并不是很难，没想到Ubu
计算机类学术论文一般结构及投稿相关知识
weixin_43207976的博客
07-10 1580
计算机类学术论文一般结构及投稿相关知识 计算机类学术论文一般结构及投稿相关知识计算机类学术论文一般结构及投稿相关知识计算机类学术论文一般结构论文投稿相关 课上老师讲的一些论文相关的知识，简要总结记录 计算机类学术论文一般结构 计算机类的学术论文一般按如下结构组织： 标题 摘要 关键词 引言 相关工作 文章所要介绍内容所属领域的相关知识体系简介 问题的形式化表述 实验 结论和未来工作方向 致谢 参考文献 3.关键词在有的文章中可能没有 4.引言部分由课题的背景引出所要研究的问题，简要介绍这一领域已经有
CNN学习简要总结
weixin_43207976的博客
07-11 542
CNN学习简要总结 今天学习了一下卷积神经网络(CNN)的基础知识，简要总结一下学习到的内容 CNN网络架构一般是通过卷积层不断抽取特征，然后接全连接层 那么如何得到卷积层，是通过层与卷积核（Filter）进行卷积计算。卷积类似于向量内积，将卷积核的每一维与该层内对应维数据相乘相加，步长（stride）决定每次卷积计算完毕后，卷积核移动多少个数据单位，也决定卷积得到的下一个特征层的大小，如果想让特征图与原始输入的大小一致，就要在卷积之前在原始输入的四周填充数据，常见填充0 举一个简单的例子，方便理解原始输入
CNN学习简要总结-2
weixin_43207976的博客
07-15 411
CNN学习简要总结-2CNN学习简要总结-2CNN架构卷积池化Pooling数据增强（Data argumentation）dropout CNN学习简要总结-2 继续学习CNN的知识，简要记录 CNN架构 输入层-一些卷积层（卷积层-ReLU层-池化层-卷积层-……）-一些全连接层-ReLU层-softmax输出层 CNN中卷积层的意义就在于不断提取原始输入的特征，特征由局部到局部的组合（从多个局部特征中提取），特征由具体到抽象 CNN比传统DNN的参数更少，但同时提取的特征更多 卷积 一般原始输入图像几
Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields论文阅读笔记-3
weixin_43207976的博客
07-16 326
Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields论文阅读笔记-3Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields论文阅读笔记-3身体部位关键点检测（计算S*j（p））部位亲和场的计算（计算L*c（p））利用PAF计算两个部位之间的相关性（之后二部图匹配中各边的权重）二部图匹配完成部位的连接和多人分割 Realtime Multi-Pers
Stanford CS230吴恩达Reading Research Papers学习笔记
weixin_43207976的博客
07-09 229
目录Stanford CS230吴恩达Reading Research Papers学习笔记如何通过更有效地阅读研究论文，来接触新领域知识如何有效地针对一篇论文进行阅读论文的多次阅读法阅读论文过程中应该时刻思考的一些问题关于论文中的数学和代码长期阅读一些个人理解 Stanford CS230吴恩达Reading Research Papers学习笔记 “涉及深度学习关键技术的学术文献在未来深度学习技术的长期发展中将依旧保持重要地位。”吴恩达老师在斯坦福大学CS230深度学习课上如此讲到。 阅读论文是深度
Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields论文阅读笔记-1
weixin_43207976的博客
07-10 208
Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields论文阅读笔记-1多人姿态识别问题和研究现状本文的方法框架总结和一点个人感受 今天依据吴恩达教授介绍的论文阅读方法浅读了OpenPose项目的前身论文《Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields》，主要聚焦于论文的标题、摘要、引言、关键图表及结论，对OpenPose实时多人姿态识别的框架
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