weixin_44820457的博客

转载 (c++)静态属性和静态方法

内容主要总结自 https://blog.csdn.net/Chroniccandy/article/details/108621102静态成员属于整个类,而不属于某个对象类的静态常量成员(static const member)可以在类内声明并初始化const数据成员不能在类内定义时初始化,在类外初始化也不行,其通常通过构造函数初始化.static数据成员不能在类内初始化,其需要在类外初始化,因为static成员不属于任何一个对象.static const数据成员可以在类内声明且同时进行

原创 nn.ModuleList和nn.Sequential的用法

nn.Module，nn.ModuleList，nn.Sequential这些我们称为容器（containers），可参考文档containers。下面记录一下nn.ModuleList和nn.Sequential的使用区别。https://blog.csdn.net/u014090429/article/details/112618607

原创 Pytorch测试模型问题记录

Pytorch测试模型问题记录加载模型出现 RuntimeError: Attempting to deserialize object on a CUDA device but torch.cuda.is_available()因为模型是在GPU上训练的，然后我在CPU上加载就会报错，可以尝试下面方法：checkpoint = torch.load("xxx/model.pth") 改为checkpoint = torch.load("xxx/model.pth",map_location=

原创 Ubuntu下解压文件的方法

翻译 论文阅读——A Comprehensive Study on Deep Learning-Based 3D Hand Pose Estimation Methods综述阅读2

3D手势姿态估计综述

翻译 2D人体姿态估计：发展现状总结

2D Human Pose Estimaiton随着DeepPose的提出，人体姿态估计的方法开始由传统方法转化为深度学习方法，在下面总结的几篇论文，这些论文代表了从 Google 的 DeepPose 开始的 Human Pose Estimation 的演变（这不是一个详尽的列表，而是最好的进展/最 每个会议重要的）。DeepPoseEfficient Object Localization Using Convolutional NetworksConvolutional Pose

原创 docker进入容器报 Error response from daemon: Container 681bf28df57... is not running

docker进入容器报 Error response from daemon: Container 681bf28df57… is not running记录一下进入docker中自己的容器报错https://blog.csdn.net/github_38336924/article/details/102504692

原创 记录一下配置YOLOv5_5.0过程中的报错信息

记录一下配置YOLOv5_5.0过程中的报错信息AttributeError: Can’t get attribute ‘SPPF’把utils/google_utils.py中的链接转换成v5.0 release # GitHub assets file.parent.mkdir(parents=True, exist_ok=True) # make parent dir (if required) try: response = requests.get(f'https:

原创 AttributeError: Cant get attribute SPPF on module models.common——yolov5_v5.0

解决方法：  去Tags6里面的model/common.py里面去找到这个SPPF的类,然后拷贝到Tags5的model/common.py里面,这样你的代码就也有这个类了,然后import warning包SPPF类代码：import warningsclass SPPF(nn.Module): # Spatial Pyramid Pooling - Fast (SPPF) layer for YOLOv5 by Glenn Jocher def __init__(self,

翻译 论文阅读——Point-to-Point Regression PointNet for 3D Hand Pose Estimation

Point-to-Point Regression PointNet for 3D Hand Pose Estimation Point-to-Point在NUY，ICVL，MSRA等大数据集上的表现至今都十分优异，值得一看 与以往直接以2D深度图作为输入然后直接回归关节点的三维坐标方法不同，本文提出的Point-to-Point回归PointNet直接将三维点云作为输入并输出逐点估计(逐点估计可以定义为从点到手关节位置的偏移)贡献点：本文建议直接将3D点云作为网络输入，并

翻译 论文阅读——Robust 3D Hand Pose Estimation in Single Depth Images: from Single-View CNN to Multi-View CNNs

单深度图像中鲁棒的三维手姿势估计：从单视图CNN到多视图CNN   本文提出首先将查询深度图像投影到三个正交平面上，并利用这些多视图投影回归二维热图，从而估计每个平面上的关节位置。然后将这些多视图热图进行融合，利用所学的姿势先验知识生成最终的三维手姿势估计。 贡献点： 关于手部姿态估计的综述：  将手势姿态估计的方法分成两类：a)模型驱动方法 b) 数据驱动方法模型驱动被使用了很多，也是很有效的，但是缺点在于：需要明确定义手的解剖尺寸和手部运动约束

翻译 论文阅读——MediaPipe Hands: On-device Real-time Hand Tracking

MediaPipe Hands: On-device Real-time Hand Tracking（From Google）  贡献点或者创新点提出了实时运行在设备上的多手跟踪，并且只需要一个RGB摄像头就可以。推理管道由两部分组成：手掌检测器和预测手关节坐标的模型，此模型可以预测手部2.5D的姿态基于MediaPipe平台搭建的提出的模型和推理管道在多种移动设备GPU上也能够取得比较好的实时预测效果1 Introduction  手势姿态估计已经发展了好多年，在A

翻译 2022/2/15 Hand Pose Estimation:综述阅读1

手势姿态估计手势姿态估计的基本问题解决手势姿态估计的新进展，尤其是使用深度图或者RGB图像的问题讨论近期论文所提出方法的优缺点解释了手势姿态估计领域的最大的数据集，而且列举了22个其他的数据集1 Introduction手势姿态估计的进展越来越快，成果也越来越多，并且制作深度图的RGBD相机已经变得便宜，这降低了制作和使用手持系统的成本。同时谷歌、微软和Facebook等大型科技公司对增强现实（AR）、虚拟现实（VR）和混合现实（MR）技术作为新型交互式个人电脑的巨大投资，拓宽了这一领域的