Deep High-Resolution Representation Learning for Human Pose Estimation (CVPR2019)

最新推荐文章于 2024-06-03 10:22:32 发布
原创 最新推荐文章于 2024-06-03 10:22:32 发布 · 2.5k 阅读 · 4 ·
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。

微软和中科大研究者提出的《Deep High-Resolution Representation Learning for Human Pose Estimation》论文揭示了一种新型算法，旨在消除姿态估计算法中分辨率降低再恢复的过程。该算法在网络各阶段保持高分辨率特征图，并通过多分辨率特征的反复融合提高表现。在COCO和MPII数据集上，与现有最佳算法相比，取得了显著的性能提升。

来自微软和中国科技大学研究学者的论文《Deep High-Resolution Representation Learning for Human Pose Estimation》和相应代码已经公布。
该文为第一作者Ke Sun在微软亚洲研究院实习期间发明的算法。
作者观察到，现有姿态估计算法中往往网络会有先降低分辨率再恢复高分辨率的过程，比如下面的几种典型网络。
在这里插入图片描述
(a) Hourglass (b) Cascaded pyramid networks（c）Simple Baseline (d) Deepercut

作者希望不要有这个分辨率恢复的过程，在网络各个阶段都存在高分辨率特征图。
在这里插入图片描述
在上图中网络向右侧方向，深度不断加深，网络向下方向，特征图被下采样分辨率越小，相同深度高分辨率和低分辨率特征图在中间有互相融合的过程。

作者描述这种结构为不同分辨率子网络并行前进。

这么做有什么好处？

作者认为：

1）一直维护了高分辨率特征图，不需要恢复分辨率。

2）多次重复融合特征的多分辨率表示。

与目前的state-of-the-art比较，取得了各个指标的最高值。相同分辨率的输入图像，与之前的最好算法相比增长了3个百分点！

在COCO test-dev 数据集上和 MPII test 数据集上，同样取得了很好的结果！

最低0.47元/天 解锁文章
【姿态估计】Deep High-Resolution Representation Learning for Human Pose Estimation论文理解
qq_36926037的博客
05-13 2197
摘要   本文：   本文关注人体姿态估计问题，重点是学习可靠的高分辨率表征。现有的大多数方法都是从高到低分辨率网络产生的低分辨率表征中恢复高分辨率表征。相反本文提出的网络在整个过程中保持高分辨率表征：   （1）我们从一个高分辨率的子网开始作为第一阶段，将高分辨率到低分辨率的子网逐个添加，形成更多的阶段，并将多分辨率的子网并行连接。   （2）我们进行重复的多尺度融合，这样每一个高到低分辨率的表征都能从其他平行表征中反复接收信息，从而得到丰富的高分辨率表示。因此，预测的关键点热图具有更高的潜在精度和空间精
【HRNet】《Deep High-Resolution Representation Learning for Human Pose Estimation》
bryant_meng
09-01 2000
CVPR-2019 代码：https://github.com/leoxiaobin/deep-high-resolution-net.pytorch 文章目录1 Background and Motivation2 Related Work3 Advantages / Contributions4 Method5 Experiments5.1 Datasets5.2 COCO Key-point Detection5.3 MPII Human Pose Estimation5.4 Applicati.
【论文笔记】Deep High-Resolution Representation Learning for Human Pose Estimation
m0_58678659的博客
11-04 670
在本文中，作者对人类姿势估计问题感兴趣，重点是学习可靠的高分辨率表示。大多数现有方法从高到低分辨率网络产生的低分辨率表示中恢复高分辨率表示。相反，作者建议的网络在整个过程中保持高分辨率表示。我们从高分辨率子网作为第一阶段开始，逐步逐个添加高到低分辨率子网，形成更多的阶段，并并行连接多分辨率子网。进行重复的多尺度融合，以使每个高到低分辨率表示一次又一次地从其他并行表示接收信息，从而产生丰富的高分辨率表示。结果，预测的关键点热图可能更准确，并且在空间上更精确。
Deep High-Resolution Representation Learning for Human Pose Estimation
qq_29631521的博客
09-14 618
概述 这篇论文是中国科技大学和微软亚洲研究院的论文，被 CVPR2019接收。 Motivation。 已经存在的大多数方法都是从低分辨率恢复高分辨率，相反，本文一直保持高分辨率，这样预测的heatmap更加精确，预测的关节点更加准确。 网络框架 网络从一个高分辨率子网开始，逐步添加高到低分辨率子网来形成更多阶段，并且并行连接多个分辨率子网，然后执行多尺度融合。 网络细节 以输入256x192为...
HRNet（cvpr2019）：Deep High-Resolution Representation Learning for Human Pose Estimation （并行高分辨率保持）
Sesen的木屋
09-05 1282
Deep High-Resolution Representation Learning for Human Pose Estimation （CVPR2019） HRNet由微软亚洲研究院和中科大共同提出。定义了一个通用的计算机视觉网络框架 HRNet，在图像分类，语义分割，目标检测，人脸特征点检测等多个任务上的测试结果全面吊打当前网络框架，不仅精度提升了，网络参数量和计算量也降低了，并且给...
Deep High-Resolution Representation Learning for Human Pose Estimation论文解析
ls83776736的博客
02-27 9426
High-Resoultion Net(HRNet)由微软亚洲研究院和中科大提出，发表在CVPR2019。 模型的主要特点是在整个过程中特征图（Feature Map）始终保持高分辨率，这与之前主流方法思路上有很大的不同。在HRNet之前，2D人体姿态估计算法是采用（Hourglass/CPN/Simple Baseline/MSPN等）将高分辨率特征图下采样至低分辨率，再从低分辨率特征图恢复至...
2D关键点检测之HRNet：Deep High-Resolution Representation Learning for Human Pose Estimation
qq_54793880的博客
06-08 1006
时间：2019.02 CVPR2019作者团队：Ke Sun Bin Xiao Dong Liu Jingdong Wang分类：计算机视觉–人体关键点检测–2D top-down。
Deep High-Resolution Representation Learning for Human Pose Estimation (CVPR 2019)
To be a better man
04-24 2961
My environment Ubuntu18.04,3090 when you download code from https://github.com/leoxiaobin/deep-high-resolution-net.pytorch Configure for the code Upgrade your pip python -m ensurepip python -m pip install --upgrade pip modify the requirement
论文阅读：Deep High-Resolution Representation Learning for Human Pose Estimation
最新发布
YGwhere
06-03 2207
通过设计多个branch（原文称作子网络），得到不同维度的输出。每次引入新的branch（transition），即下采样时，都保留了原branch的输出，即保留了高分辨率的特征信息；在每个stage处理后，都将多维信息融合，让下一个stage能够处理来自不同维度的信息。没有设计复杂的模块，只添加了不同维度信息，只有信息量增加导致计算量提高，而没有引入复杂计算。
2D多人关键点：《Deep High-Resolution Representation Learning for Human Pose Estimation》
Mingx9527
03-15 3264
《Deep High-Resolution Representation Learning for Human Pose Estimation》 来源：中科技大学，微软亚洲研究院 论文：https://arxiv.org/pdf/1902.09212.pdf 源码：https://github.com/leoxiaobin/deep-high-resolution-net.pytorch 本文简称...
March 11-Deep High-Resolution Representation Learning for Human Pose Estimation-paper reading
weixin_39434589的博客
03-11 420
https://blog.csdn.net/ls83776736/article/details/87993726 这篇文章的博主也是对于此文做了简单的介绍 论文原文下载 下面这幅图是本文提出的HRNet 的模型的主要结构。 这个模型和以前的模型不同，在模型中图像始终保持着高分辨率，但是平行的在subnetworks中，在向下的操作中，在做lower-resolusion，只是最后会讲这些与...
【论文阅读笔记】Deep High-Resolution Representation Learning for Human Pose Estimation
时光机 °的博客
01-14 1734
论文地址：https://arxiv.org/abs/1902.09212 代码地址：https://github.com/leoxiaobin/deep-high-resolution-net.pytorch 论文总结   论文总得来说是提出了一种网络架构的思想：以前的模型都是下采样后再上采样，从而达到预期的分辨率。而本文的网络HRNet则一直维持高分辨率分支，通过融合低分辨率分支上采样带来的high level信息，达到重复多尺度信息的融合。网络结构入下图所示：由一个高分辨率的子网开始，后面逐渐维持多个
姿态估计——Deep High-Resolution Representation Learning for Human Pose Estimation阅读记录
乐亦亦乐的博客
11-08 1385
论文地址：https://arxiv.org/pdf/1902.09212.pdf github：https://github.com/leoxiaobin/deep-high-resolution-net.pytorch Deep High-Resolution Representation Learning for Human Pose Estimation Abstract 在本文中，我们对人体姿态估计问题...
【网络结构，人体姿态估计】Deep High-resolution Representation Learning for Human Pose Estimation
猫猫与橙子的博客
02-09 994
论文链接：https://arxiv.org/pdf/1902.09212.pdf 工程链接：https://github.com/leoxiaobin/deep-high-resolution-net.pytorch 最近在看人脸关键点检测，刚好看到了有人使用了HRNet(这篇论文中作者提出的方法)，所以就被吸引了，看看该网络结构的特殊性；（2020-2-9） ...
Deep High-Resolution Representation Learning for Human Pose Estimation论文翻译
u010849057的博客
03-05 1473
@Densepose论文翻译 Deep High-Resolution Representation Learning for Human Pose Estimation论文翻译 Abstract 在本文中，我们对人体姿势估计问题感兴趣，重点是学习可靠的高分辨率表示。大多数现有方法从由高到低分辨率网络产生的低分辨率表示中恢复高分辨率表示。相反，我们建议的网络在整个过程中保持高分辨率的表示。我们从高...
MyDLNote - Network: Deep High-Resolution Representation Learning for Human Pose Estimation
热门推荐
u014546828的博客
11-07 1万+
Deep High-Resolution Representation Learning for Human Pose Estimation [paper]https://arxiv.org/pdf/1902.09212.pdf [github]https://github.com/leoxiaobin/deep-high-resolution-net.pytorch Table of ...
deep high-resolution representation learning for visual recognition
01-09
深度高分辨率表示学习是一种用于视觉识别的技术，旨在从图像中学习到更高质量和更具表达力的特征表示。在传统的视觉识别任务中，如图像分类、目标检测和语义分割，传统的特征表示方法通常提取低级或中级特征，这些特征可能无法有效地捕捉到图像的复杂信息。而深度高分辨率表示学习通过多层神经网络的结构和大规模训练数据来学习更深层次、更富有语义的图像特征。 深度高分辨率表示学习方法通常包含以下几个关键步骤：首先，通过使用深度卷积神经网络（DCNN）架构来学习特征表示。DCNN是一种层次结构复杂、能够从原始像素数据中自动学习特征的神经网络。其次，利用大规模的标注数据进行训练，通过反向传播算法来更新网络的权重和偏置参数，从而最小化预测误差。最后，在训练过程中采用一些优化策略，如数据增强、正则化和优化器选择等，以提高网络的泛化能力和识别性能。 深度高分辨率表示学习在计算机视觉领域有着广泛的应用。一方面，它可以用于图像分类，通过学习到的高质量特征表示，可以在分类任务中获得更高的准确性和鲁棒性。另一方面，它也可以用于目标检测和语义分割任务，通过学习到的特征表示，可以更准确地定位和分割图像中的对象。此外，深度高分辨率表示学习还可以用于识别特定的物体、场景或人脸，从而应用于人脸识别、目标跟踪和智能安防等领域。 总之，深度高分辨率表示学习是一种能够有效提高视觉识别任务准确性和鲁棒性的技术。它通过学习到更深层次、更富有语义的图像特征表示，提供了更强大的图像分析和理解能力，为计算机视觉领域的各种应用提供了重要的支持。
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