RePose: Learning Deep Kinematic Priors for Fast Human Pose Estimation

最新推荐文章于 2024-08-21 08:37:53 发布
原创 最新推荐文章于 2024-08-21 08:37:53 发布 · 796 阅读 · 0 ·
CC 4.0 BY-SA版权
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。

RePose模型通过深度神经网络结合人体动力学结构辅助关键点定位。该模型采用U-Net结构，在不同尺度上进行上采样并利用多损失函数。其创新点在于Kinematic Features Updates，利用关节间的连接信息构建先验知识，通过卷积操作更新特征，提高关键点定位的准确性。

单人pose模型文章，提出了一种基于kinematic structure来辅助模型对关键点进行定位，整体结构如下：在这里插入图片描述
模型是一个仿U-Net结构的网络结构，忽略U-Net的底部，先看下输出，模型会在不同的scale下进行upsample到原图分辨率大小进行heatmap输出，所以是个包含有多个loss的网络结构，重点看下上图中的绿色部分，也即是文章提出的Kinematic Features Updates结构。

Kinematic Features Updates

这个结构相当于是根据先验知识对人体姿态进行建模，然后进行refine的一个过程。文章对关节点连接做了一个定义，如下图所示：在这里插入图片描述
其中每两个连通点之间的线段称之为边，关节点为node，然后对于关节点k来说，它的周围连通点组成的集合为N(k){N(k)}N(k

最低0.47元/天 解锁文章
人体姿态fast-human-pose-estimation.pytorch
jacke121的专栏
11-06 3266
下面两个指向同一篇论文，权重100m： 这个没跑起来： 现在测的都不准，可能代码不对 256*256的图像要100ms， https://github.com/ilovepose/fast-human-pose-estimation.pytorch 256*256 这个需要160ms https://github.com/yuanyuanli85/Fast_Human_Pose...
【阅读文献笔记】RePOSE:3D Human Pose Estimation viaSpatio-Temporal Depth Relational Consistency
最新发布
qq_46460379的博客
08-08 751
我们提出了一种简单而有效的方法——RePOSE，用于解决视频中3D人体姿态估计（HPE）中的遮挡挑战。传统方法通常使用绝对深度信号作为监督，在关键点可见时表现良好，但在关键点被遮挡时变得不可靠，导致神经网络的学习轨迹模糊且不一致。RePOSE通过在监督信号中引入时空关系深度一致性来克服这一限制。该方法的核心在于优先确定被遮挡关键点的精确顺序，通过在空间和时间两个维度上施加相对深度一致性损失来实现。
FPD: Fast Human Pose Estimation
Matthew技术小站
11-16 2537
文章地址:arxiv 这篇文章是电子科技大学和visionsemantics实验室联合发布的一篇文章. 文章目的: 人体姿态估计经过近几年的发展,在精度方面已经做的挺不错了,但越高的精度就意味着越深越宽的网络. 这样就造成了一个问题, 现有的state-of-the-art的模型没有办法在轻量级的设备上跑,例如普通的手机,没有很好的GPU的电脑等等. 文章的目的就是为了能够得到一个很轻量级的模型,...
Pose论文阅读：Fast Human Pose Estimation
b_lack的博客
08-21 1097
Fast Human Pose Estimation Abstruct 现在的Pose框架虽然精度以及泛化能力已经不错，但是模型过于复杂，使得参数量以及部署时消耗的内存过大。 这篇文章就是通过牺牲极少部分的精度来达到大幅度减少内存的消耗的目的。作者主要是通过用训练好的教师网络（大网络）将知识传递给学生网络（小网络）来实现这一目的，他们称他们的方法为Fast Pose Distillation（F...
(34) RePose: Learning Deep Kinematic Priors for Fast Human Pose Estimation
qq_17721239的博客
05-20 564
轻量模型，主要与CVPR2019的FAST pose 对比： 文章将基于部件的结构和几何先验合并到层次预测框架中。与传统的方法不同，我们采用端到端的训练，通过数据的特征更新来学习这个几何先验。 本文的网络结构： Kinematic Features Updates： 设定的人体运动学约束如图所示，给定了每一个点的周围关键点。 公式1表示：将一个点的邻居点级联。公式2表示，将1的级联特征通过卷积和bn得到的特征与盖垫的特征相加。最终特征图级联上采样，投影会64个通道，在上采样阶...
姿态估计的模型评估_快速人体姿态估计：CVPR2019论文阅读
weixin_32127545的博客
01-30 1801
快速人体姿态估计：CVPR2019论文阅读Fast Human Pose Estimation论文链接：http://openaccess.thecvf.com/content_CVPR_2019/papers/Zhang_Fast_Human_Pose_Estimation_CVPR_2019_paper.pdf摘要现有的人体姿态估计方法通常只考虑如何提高模型的泛化性能，而忽略了显著的效率问题。...
6D位姿估计 2021顶会论文汇总（持续更新~）
weixin_49805002的博客
11-25 3799
文章包括CVPR2021,ICCV2021,WACV2021等 有其他文章欢迎提出意见 ICCV2021 StereOBJ-1M: Large-scale Stereo Image Dataset for 6D Object Pose Estimation ——paper SO-Pose: Exploiting Self-Occlusion for Direct 6D Pose Estimation ——paper CAPTRA: Category-level Pose Tracking for
6D位姿估计 论文及代码汇总，持续更新~~~
不忘初心~
09-14 6925
6DoF Pose Estimation 论文及代码汇总，持续更新~~~
RePOSE: 快速迭代的6D物体姿态优化技术
RePOSE是一项创新的6D物体姿态优化方法，专注于解决快速、高效和精确的物体姿态估计问题。在现有的6D对象姿态估计技术中，如[19, 40, 28]所示，迭代细化是一个提升精度的关键步骤，但传统方法往往受限于计算成本，...
(8) Human Pose Estimation : Fast Human Pose Estimation : CVPR 2019
qq_17721239的博客
09-11 514
Human Pose Estimation : Fast Human Pose Estimation CVPR 2019 reading time : 2019/09/10 paper address :https://arxiv.org/pdf/1811.05419.pdf 本文针对的是目前人体姿态研究往往只考虑模型的泛化，提高performance。而很少研究效率问题。 结构：Fa...
Fast_Human_Pose_Estimation_Pytorch:CVPR2019文件的“ Pytorch代码”“快速人体姿势估计” https
05-04
快速人体姿态估计火炬 这对于论文“来说是非官方的实现。 大部分代码来自用于沙漏网络pytorch实现。 在此仓库中，我们遵循了“快速人体姿势估计”提出的“快速姿势蒸馏”方法，以提高轻量级网络的准确性。 我们首先训练了一个深层的教师网络（堆栈= 8，标准卷积，为88.33 @Mpii pckh），并用它来教授学生网络（堆栈= 2，深度卷积，为84.69％@Mpii pckh）。 我们的实验表明，从知识蒸馏中获得了0.7％的收益。 我对轻型学生模型hg_s2_b1_mobile_fpd进行了基准测试，并通过OpenVino在i7-8700K上获得了43fps 。 可以从找到详细信息 请通过检查官方实施 2019年2月更新 通过使用上传的额外未标记图像hg_s2_b1_mobile_fpd_unlabeled训练的模型显示，教师从未标记数据上转移的知识可hg_s2_b1_mobile_fpd_
手肘法matlab源码-fast-human-pose-estimation.pytorch:CVPR2019论文《快速人体姿势估计》的官方p
05-20
手肘法matlab源码快速人体姿势估计CVPR2019 介绍 这是的官方pytorch实现。 在这项工作中，我们专注于两个问题 如何使用与模型无关的方法来减小模型大小和计算。 如何提高简化模型的性能。 在我们的论文中 我们通过减少网络的宽度和深度来减少模型的大小和计算量。 提出快速姿势精馏（ FPD ）以改善简化模型的性能。 MPII数据集上的结果证明了我们方法的有效性。 我们使用HRNet代码库重新实现了FPD，并在COCO数据集上提供了额外的评估。 我们的方法（FPD）可以在没有地面标签的情况下工作，并且可以利用未标记的图像。 对于MPII数据集 我们首先训练了一个教师模型（沙漏模型，堆栈= 8，num_features = 256，90.520 @ MPII PCKh@0.5）和一个学生模型（沙漏模型，堆栈= 4，num_features = 128，89.040 @ MPII PCKh@0.5）。 然后，我们使用教师模型的预测和真实标签来共同监督学生模型（沙漏模型，堆栈= 4，num_features = 128，87.934 @ MPII PCKh@0.5）。 我们的实验显示
轻量级人体姿态估计lightweight-human-pose-estimation.rar
06-29
轻量级人体姿态估计lightweight-human-pose-estimation.rar
Fast Human Pose Estimation
u010848594的博客
05-31 2210
基于Hourglass的一种轻量网络，特点：轻量，易训练 知识蒸馏，有一个老师模型，然后训练轻量的学生模型，这样会更快 3.1网络结构：相比于沙漏网络，stage砍半，channel砍半，就没其它改变了 3.2LOSS是两部分，一部分是老师的预测结果，一部分是GT 感觉作者的remark就是在扯淡。 还给了个MSE和交叉熵LOSS，结果差不多 作者还给了不用知识蒸馏结果也在一个点的...
Knowledge Distillation(9)——Fast Human Pose Estimation
judgechen1997的博客
09-23 463
如果这一系列博客之前的都有看了，且有了解过pose领域的hourglass， 这篇文章的idea就很清晰了： 对每个hourglass module的中继监督，同时加入hard label&teacher’s soft output 关于文章的一些思考，一些别人的博客翻译总结的很好： ...
快速入门 Fast Human Pose Estimation.PyTorch
gitblog_00458的博客
08-21 459
快速入门 Fast Human Pose Estimation.PyTorch 项目介绍 Fast Human Pose Estimation.PyTorch 是一个基于 PyTorch 的人体姿态估计开源项目，旨在提供一个高效且易于部署的人体关键点检测解决方案。该项目利用深度学习技术，特别是卷积神经网络（CNN），来识别图像中人体各关节的位置。它支持快速训练和推理，非常适合实时应用，如视频分析、...
【论文阅读笔记】Fast Human PoseEstimation
时光机 °的博客
07-02 862
论文地址：https://arxiv.org/abs/1811.05419v1 github网址：https://github.com/ilovepose/fast-human-pose-estimation.pytorch 全文总结   该论文并未提出啥有意思的东西，总体就是知识蒸馏和**“自定义模型压缩”**的应用，提供一个思路。   该方法名为 FTD，Fast Pose Distillation，也就是知识蒸馏应用在pose检测上的意思。 文章内容介绍   文中的方法应用对象为Hourglass网络
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