HRNet (Deep High-Resolution Representation Learning for Visual Recognition)

最新推荐文章于 2025-03-09 21:00:58 发布
最新推荐文章于 2025-03-09 21:00:58 发布
阅读量2.3k 收藏 30
点赞数 9
文章标签： 深度学习 人工智能 cnn 神经网络 计算机视觉
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.youkuaiyun.com/haodouxiansheng/article/details/143723545
版权

介绍

HRNet（High-Resolution Network） 是一种用于视觉任务（如姿态估计、语义分割、目标检测等）的深度神经网络架构。其设计的核心思想是从头到尾保持高分辨率特征表示，以提升空间精度和语义表达能力。与传统卷积神经网络（如 ResNet、U-Net）不同，HRNet 在整个网络过程中始终保持高分辨率特征流，而不是通过下采样再上采样的方式恢复分辨率。

创新点

并行高低分辨率流
HRNet 从一个高分辨率的卷积流开始，在后续阶段逐步加入低分辨率的卷积流。各个分辨率的卷积流是并行连接的，而不是串联连接。
多分辨率融合
在各个阶段中，HRNet 通过重复的信息交换模块（多分辨率融合模块）将不同分辨率的特征进行融合。这一模块在多个残差单元后重复多次，以提升高分辨率表示的语义丰富度和空间精度。
从头到尾保持高分辨率

在这里插入图片描述

图1 从低分辨率恢复高分辨率的网络结构

在这里插入图片描述

图2 HRNet网络框架图

网络架构

图 3 将 HRNet 的整个 backbone 部分进行了拆解，划分为多个阶段及各阶段之间的过渡处

最低0.47元/天 解锁文章
HRNet
m0_56077202的博客
12-04 5459
HRNet 目前主流多尺度特征提取一般是将高分辨率特征图下采样至低分辨率，再将低分辨率特征图经上采样恢复至高分辨率。主流网络结构图如下所示： 在下采样和上采样过程中对应的相同尺度特征图通过虚线进行连接，旨在融合低级和高级的特征。在级联金字塔中，结合了通过卷积处理的低级和高级特征。在特征提取过程中，下采样是为了产生低分辨率特征图，提取高级语义信息；上采样恢复过程是为了得到高分辨的表示。在最终的高分辨率特征图的热图中计算目标的关键点。 HRNet不同，在整个特征提取过程中，始终保持特征图的高分辨率，希望在整个
2D关键点检测之HRNetv2：Deep High-Resolution Representation Learning for Visual Recognition
qq_54793880的博客
06-21 750
HRNetv2（Deep High-Resolution Representation Learning for Visual Recognition） 基于深度学习的特征表示在计算机视觉任务中通常分为两类：低分辨率表示（low-resolution representations）和高分辨率表示（high-resolution representations）。 目前有两种主要的方法来获取高分辨率表示： 1. 从网络输出的低分辨率表示或者中间中等分辨率表示恢复高分辨率表示，从down-samplin
【论文阅读笔记】HRNet--从代码来看论文
weixin_38715903的博客
09-28 9878
目录 1.整体架构： 2.代码梳理： 3.模块详解： 1）ResNet模块【感觉不用详解大家都清楚...跳过】 2）关键的特征融合部分：HighResolutionModule 函数一和二： 函数三：_make_fuse_layers－－融合模块 最后的forward部分： ３.关键点预测模块：PoseHighResolutionNet １）函数一：_make_transiti...
【第二十六周】：HRNet：用于人体姿态估计的深度高分辨率表征学习
最新发布
m0_59510256的博客
03-09 1159
HRNet作为高分辨率特征保持网络的代表，通过多阶段并行分支持续交互的工作机制，在人体姿态估计、图像分割等密集预测任务中实现了像素级精准定位。其核心在于全程保持高分辨率，逐步增加低分辨率分支，每个阶段通过跨分辨率连接（上/下采样后特征叠加）实现多尺度信息融合，最终将各分支特征统一上采样至高分辨率输出，避免了传统网络因反复下采样导致的空间信息丢失。
HRNet网络简介
热门推荐
霹雳吧啦Wz
05-12 10万+
这篇文章是由中国科学技术大学和亚洲微软研究院在2019年共同发表的。这篇文章中的HRNet（High-Resolution Net）是针对2D人体姿态估计（Human Pose Estimation或Keypoint Detection）任务提出的，并且该网络主要是针对单一个体的姿态评估（即输入网络的图像中应该只有一个人体目标）。人体姿态估计在现今的应用场景也比较多，比如说人体行为动作识别，人机交互（比如人作出某种动作可以触发系统执行某些任务），动画制作（比如根据人体的关键点信息生成对应卡通人物的动作）等等
告别低分辨率网络，微软提出高分辨率深度神经网络HRNet | CVPR 2019
AI科技大本营
05-24 4701
来源 | 微软研究院AI头条（ID：MSRAsia）作者简介：孙可，中国科学技术大学信息学院在读博士生，目前在微软亚洲研究院视觉计算组实习，导师是王井东和肖斌老师。他的研...
hrnet
liguandong
05-28 1829
3D 人体姿态估计简述 - 知乎https://zhuanlan.zhihu.com/p/400922771 自顶向下的 2D 人体姿态估计 - 知乎https://zhuanlan.zhihu.com/p/394060630 爱上她的 N 个理由！OpenMMLab 姿态估计工具箱：MMPose - 知乎https://zhuanlan.zhihu.com/p/391153632 教程 0: 模型配置文件 — MMPose 0.26.0 文档https://mmpose.readthedocs.io
HR-Net
ZDA_fight的博客
06-29 510
1902_HR-Net: 图： 网络描述： 在这篇论文中，我们主要研究人的姿态问题(human pose estimation problem)，着重于输出可靠的高分辨率表征(reliable highresolution representations)。现有的大多数方法都是从高分辨率到低分辨率网络(high-to-low resolution network)产生的低分辨率表征中恢复高分辨率表征。相反，我们提出的网络能在整个过程中都保持高分辨率的表征。 我们从高分辨率子网络(high-resoluti
论文解读|2020TPAMI|Deep High-Resolution Representation Learning for Visual Recognition
Akita·Wang's Semantic Segmentation
04-23 3516
用于视觉识别的深度高分辨率表征学习 github：https://github.com/HRNet 论文地址：https://arxiv.org/pdf/1908.07919 摘要 高分辨率表示对于位置敏感的视觉问题是必不可少的，例如人体姿态估计、语义分割和对象检测。现有的最先进的框架首先将输入图像编码为通过子网的低分辨率表示，该子网通过串联连接高到低分辨率卷积(例如，ResNet、VGGNet)而形成，然后从编码的低分辨率表示中恢复高分辨率表示。相反，我们提出的网络，命名为高分辨率网络(...
论文阅读笔记Deep High-Resolution Representation Learning for Visual Recognition（2021）
weixin_44946585的博客
12-22 912
论文：paper 原文代码：code 文章创新： 提出高分辨率网络（HRNet），网络在整个过程中保持高分辨率表示。 网络主要的特点： ①将高分辨率到低分辨率的卷积流并行链接。 ②在多分辨率中反复交换信息。 使得得到的结果表示在语义上更加丰富，在空间上更加精确。 1. 网络架构 1.1 Parallel Multi-Resolution Convolutions（并行多分辨率网络） first stage ：高分辨率卷积流。 逐步将高分辨率到低分辨率的流逐个添加，形成新的 stage ，并将这些分辨.
HRNet(v1,v2,v2p)论文语义分割笔记及代码简读（Deep high-resolution representation learning for visual recognition ）
jqc8438的博客
11-23 6456
HRNet 原文：Deep high-resolution representation learning for visual recognition 论文链接: https://arxiv.org/abs/1908.07919v2 pytorch official code: https://github.com/HRNet 笔记时间：2020.11.22 文章最早发表在了CVRP2019，后面被顶刊TPAMI录用。 之所以要看这篇文章，是先看了OCR，看代码的过程中碰到backbone是HRNet，H
HRNet简介
qq_34425255的博客
03-19 2523
这就使得像人体姿态估计，目标检测，图像分割，这样的Dense Prediction，像素密集，像素敏感，位置敏感的任务，它的分辨率信息，长宽信息，能够得到很好的保留，不然像传统的卷积神经网络，不断下采样，长宽信息是会丢失的。在MMPose代码讲解过程中会经常使用HRNet这个人体姿态估计的top down模型，HRNet的HR不是人力资源管理，而是指high-resolution，高分辨率网络，，而HRNet不一样，从头到尾一直保持很高的分辨率，
高分辨率网络（HRNets）在目标检测中的应用
gitblog_01057的博客
09-16 946
高分辨率网络（HRNets）在目标检测中的应用 HRNet-Object-Detection Object detection with multi-level representations generated from deep high-resolution representation learning (HRN...
HRnet
xiaochengJF的博客
11-08 1581
论文：Deep High-Resolution Representation Learning for Human Pose Estimation 代码：https://github.com/leoxiaobin/deep-high-resolution-net.pytorch HRNet–从代码来看论文 HRNet阅读笔记及代码理解 ...
HRNet（Deep High-Resolution Representation Learning for Visual Recognition）-人体姿态估计
someng的博客
07-24 2970
HRNet，顾名思义，高分辨率网络(High-Resolution Network)，用于处理高分辨率的图片。通过并行连接从高分辨率到低分辨率的卷积来保持高分辨率表示，其中并行卷积之间存在重复的多尺度融合。
hrnet人脸关键点
02-15
### HRNet 人脸关键点检测 #### 模型架构 HRNet (High-Resolution Network) 是一种专注于高分辨率表示学习的神经网络结构，在视觉识别任务中表现出色。对于人脸关键点检测，HRNet 维持了一个并行的高分辨率分支来保持输入图像的空间分辨率[^1]。 该网络设计的核心在于通过多个阶段逐步融合低分辨率到高分辨率的信息流，从而确保不同尺度下的特征能够被充分提取和利用。具体来说： - **初始层**：采用卷积操作对原始输入进行处理，生成基础特征图。 - **四个阶段**：每个阶段由若干个残差模块组成，这些模块负责构建多分辨率表征，并通过跨阶段连接机制交换信息。 - **最终输出**：经过一系列转换后得到的人脸关键点热力图可以直接映射回原图尺寸，便于定位各个面部标志位置。 ```python import torch.nn as nn class HighResolutionModule(nn.Module): def __init__(self, num_branches, blocks, num_blocks, num_inchannels, num_channels, fuse_method, multi_scale_output=True): super(HighResolutionModule, self).__init__() # 构建HRNet核心组件... ``` #### 实现方法 为了实现高效而精准的脸部地标检测，HRNet 使用了一种端到端的学习框架。训练过程中采用了监督学习的方式，即给定一组带标注的真实世界脸部照片作为输入样本集，其中每张图片都配有对应的关键点坐标标签。模型参数则通过对损失函数最小化来进行优化调整，常用的损失度量方式包括均方误差(MSE)[^4]。 此外，为了提高泛化能力和鲁棒性，通常还会引入数据增强技术如随机裁剪、翻转等预处理手段；同时借助迁移学习策略可以加速收敛过程并改善整体性能表现。 #### 论文贡献 论文《Deep High-Resolution Representation Learning for Visual Recognition》提出了HRNet这一创新性的网络架构，强调在整个前向传播路径中始终保持较高空间分辨率的重要性。实验结果显示，在COCO 和 MPII 数据集中，HRNet 达到了当时最优水平的成绩，证明了其在解决复杂场景下的人体及人脸关键点检测问题上的有效性[^3]。
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