论文笔记 Bottom-Up Human Pose Estimation Via Disentangled Keypoint Regression（CVPR2021）

最新推荐文章于 2024-06-09 09:30:57 发布
最新推荐文章于 2024-06-09 09:30:57 发布
阅读量1.8k 收藏 7
点赞数
分类专栏： 自底向上 文章标签： 计算机视觉 深度学习 python
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_44946585/article/details/121976449
版权
本文介绍了CVPR2021一篇论文，提出了Disentangled Keypoint Regression (DEKR)方法，通过自适应激活和单独回归改进了人体姿态估计。DEKR使用多分支结构，每个分支专注于一个关键点的回归，通过自适应卷积集中于关键点区域。实验在COCO和CrowdPose数据集上验证了DEKR的优越性能。
摘要由CSDN通过智能技术生成

  1. 提出 disentangled ketpoint regression（DEKR）即解纠缠关键点回归。

  2. 使用一个多分支结构进行单独的回归，每个分支会有一个自适应卷积，每个分支会回归一个关键点。

    该方法是自底向上的直接回归方法优于关键点检测和分组方法。

    通过像素级空间变换（空间变换网络【26】的像素级扩展）来激活位于关键点区域的像素，然后从这些激活的像素学习表示，这样学习到的表示可以集中在关键点部位。

1. 使用的方法

1.1 Disentangled Keypoint Regression（结构式关键点回归）

在这里插入图片描述
上图的输入是骨干网络（HRNet）计算的特征，也就是如下式子里的X，作者将这些特征X分成K个分支（图中是3个）分别进行回归，在回归的过程中先使用两个自

最低0.47元/天 解锁文章
weixin_44946585
关注
专栏目录
CVPR 2021 | 微软提出“解构式关键点回归“， 刷新COCO自底向上多人姿态检测记录！
jacke121的专栏
06-25 2210
随着深度学习的发展，运用计算机视觉中的人体姿态估计技术已经能够高精度地从人体的图片中检测出人体关键点，并恢复人体位姿。在应用端，此技术也已经在人机交互、影视制作、运动分析、游戏娱乐等各领域大放异彩。 相比单人姿态检测，由于不知道图像中每个人的位置和总人数，多人姿态检测技术在预测图片中每个人的不同关键点所在的位置时更加困难。其困难在于：不仅要定位不同种类的关键点，还要确定哪些关键点属于同一个人。 针对这一困难，学术界有两种解决方案，一种是自顶向下的方法，先检测出人体目标框，再对框内的人体完成单..
[论文阅读]Bottom-Up Human Pose Estimation Via Disentangled Keypoint Regression
qian9905的博客
10-20 462
该论文关注的是的是自底向上的关键点回归人体姿态估计，作者认为回归关键点坐标的特征必须集中注意到关键点周围的区域，才能够精确回归出关键点坐标。因此了一种名为解构式关键点回归（DEKR）的方法。这种直接回归坐标的方法超过了以前的关键点热度图检测并组合的方法，并且在 COCO 和 CrowdPose 两个数据集上达到了目前自底向上姿态检测的最好结果。
Bottom-Up Human Pose Estimation Via Disentangled Keypoint Regression阅读记录
叶子的博客
10-25 9208
Bottom-Up Human Pose Estimation Via Disentangled Keypoint Regression 解构式关键点回归 CVPR 2021 论文地址：https://arxiv.org/pdf/2104.02300.pdf 代码地址：https://github.com/HRNet/DEKR 一、模型结构 1、主干网络：HRNet-HRNet详解_gdtop的个人笔记-CSDN博客 输入：[3, 512, 512] 输出：[32, 128,128]、.
论文笔记：CVPR2021 Bottom-Up Human Pose Estimation Via Disentangled Keypoint Regression
Blair_2的博客
11-09 528
task：Human pose estimation motivation：regressing keypoint positions accurately needs to learn representations that focus on the keypoint regions. background： two main paradigms: top-down and bottom-up. top-down： first detects the person and then perfor
人体姿态估计 - Bottom-Up Human Pose Estimation Via Disentangled Keypoint Regression（DEKR）
tsq292978891的博客
05-09 1337
B站：https://www.bilibili.com/video/BV1ky4y1s76X?spm_id_from=333.999.0.0 人体姿态估计方法分类 Top-Down pipeline：图片 -> 检测器 -> 多个行人 -> for person in detected persons，单独做关键点检测 优点：精度高 缺点：计算量大，耗时高 Bottom-Up pipeline：图片 -> 关键点回归(heatmap估计) -> 关键点分组(keypoints
底层向上人体姿态估计：解耦关键点回归
最新发布
gitblog_00074的博客
06-09 390
底层向上人体姿态估计：解耦关键点回归 DEKRThis is an official implementation of our CVPR 2021 paper "Bottom-Up Human Pose Estimation Via Disentangled Keypoint Regression" (https://arxiv.org/abs/2104.02300)项目地址:https://...
CVPR 2021 论文解读Vol.7 | “自底向上”人体姿态估计的尺度自适应方法
旷视开发者技术社区
08-11 1141
论文单位：旷视研究院论文链接：https://arxiv.org/abs/2012.15175作者：Zhengxiong Luo, Zhicheng Wang, Yan Huang, Ti...
HigherHRNet: Scale-Aware Representation Learning for Bottom-Up Human Pose Estimation (CVPR2020)
Matthew技术小站
03-13 3098
official pytorch code paper link 恭喜文章被CVPR 2020接收。本来19年的时候在arxiv上找到了这篇文章，当时还是叫做"Bottom-up Higher-Resolution Networks for Multi-Person Pose Estimation"，今天一看arxiv上已经更新到v3了，名字也改了。 HigherHRNet是在HRNet和Simp...
CVPR 2021 | 微软提出"解构式关键点回归"， 刷新COCO自底向上多人姿态检测记录！...
我爱计算机视觉
06-26 875
本文转载自微软研究院AI头条。编者按：在拥挤的人群的场景下，由于人群过于密集，重合程度太高，所以每个人的位置难以用人体检测框表示，而传统的一些自下而上的人体姿态估计算法也很难检测到人物的关...
Re66：读论文 Bottom-Up Abstractive Summarization
诸神缄默不语的博客
04-14 798
《Bottom-Up Abstractive Summarization》论文阅读笔记
【论文阅读笔记】Bottom-Up Human Pose Estimation by Ranking Heatmap-Guided Adaptive Keypoint Estimates
时光机 °的博客
10-10 1934
论文地址：https://paperswithcode.com/paper/bottom-up-human-pose-estimation-by-ranking 代码地址：https://github.com/HRNet/HRNet-Bottom-up-Pose-Estimation 论文总结   本文方法是Bottom-Up方法的一员，其主要研究方向就是在将离散点Grouping成候选姿态的人，同时训练一个较小的OKS评分网络，对候选姿态进行评分。   即论文方法有两个分支：Point Heatmap预测
ACM MM 2023 | 基于去中心化表征的人体姿态估计方法
TechBeat人工智能社区博客
09-28 610
北京邮电大学与EVOL创新团队共同提出人体姿态估计方法DecenterNet，用于在提高在拥挤场景下人体姿态估计的准确度。该方法引入了一种去中心化的姿势表征方法，使得网络在纠缠区域/拥挤区域中将更加稳健地表达人体姿态。该方法还提出了一个解耦的姿势评估机制，以自适应地在多个姿态表征中选择最佳姿势。该论文DecenterNet: Bottom-Up Human Pose Estimation Via Decentralized Pose Representation已被ACM MM 2023接收。
行为分析(二)：姿态估计部分（二）：HRNet-DEKR
qq_37662375的博客
06-18 3647
HRNet-DEKR: 通过解耦关键点回归完成自下而上的人体位姿估计 摘要：在本文中我们对从图像中估计人体姿势的自底向上范式感兴趣。我们研究了以前不如关键点检测和分组框架的密集关键点回归框架。我们的动机是准确地回归关键点位置需要学习专注于关键点区域的表示。我们提出了一种简单而有效的方法，称为解缠（解耦）关键点回归（DEKR）。 我们通过逐像素空间变换器采用自适应卷积来激活关键点区域中的像素，并相应地从中学习表示。我们使用多分支结构进行单独的回归：每个分支通过专用的自适应卷积学习一个表示并回归一个关键点。由
Hrnet_DEKR 简单理解和计算评价指标
qq_38284951的博客
08-12 1381
HRnet_DEKR的理解和代码测试
行为分析(十)：姿态估计部分（六）：人体关键点(keypoints)生成算法综述
qq_37662375的博客
09-02 5430
**写在前面的话通常很重要 对于行为分析任务，可以分为视频帧分类和依据人体关键点判定两个解决方向 而依据人体关键点判定又可以分为单人检测和多人检测 多人检测又可以分为top-down和bottom-up两种形式的解决方法，也就决定了关键点生成部分存在思路差异很大的两种方案 总之要分清这三个层级，在相同的层级之间进行对比才有意义。 另外找到一篇很优秀的综述：https://zhuanlan.zhihu.com/p/69042249 视频帧分类和依据人体关键点判定 视频帧分类的方法以TSM为主：T
值得参考的可视化与误差分析｜HRNet团队的另一款Bottom-up人体姿态估计方法
Patricia_daye的博客
06-10 480
这篇文章的误差分析和可视化部分做的不错，很详细很有学生气息，如果需要做一些实验报告或者大论文的分析论述可以参考。
HigherHRnet/DEKR骨骼关键点检测笔记：heatmap和offset理解
Victor_X的博客
07-09 5019
本文是对HigherHRnet/DEKR骨骼关键点检测项目代码阅读后的笔记。 Github：https://github.com/HRNet/DEKR 论文：https://arxiv.org/abs/2104.02300 HigherHRnet/DEKR骨骼关键点检测是MIT提出一种新颖的bottom-up方法，并且在COCO和Crowdpose中达到了SOTA，利用HRnet网络预测骨骼点的heatmap和offset，得到骨骼关键点的坐标和置信度。 heatmap+offset是谷歌在CVPR2017
【2022年10月最新】人体姿态估计coco test-dev 官网在线测试关键点检测结果
sazass的博客
10-19 1787
最新的coco test-dev 测试集评估地址
Attentional 2D-Human Pose Estimation
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 ...
评论 2
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