2D人体姿态估计 - Stakced Hourglass Network（SHN）个人理解

原创 已于 2022-06-29 10:24:40 修改 · 2k 阅读 · 20 ·
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。
文章标签：

#深度学习 #神经网络

于 2022-05-17 09:29:08 首次发布
本文介绍了残差网络（ResNets）及其核心组件——残差块，用于解决深度神经网络训练中的梯度消失问题。接着，详细阐述了Hourglass网络结构，包括其编码解码器设计、残差模块和跳跃连接的作用。Hourglass网络通过先降采样后升采样的方式捕获不同尺度的特征，并在不同尺度间进行信息交换。堆叠沙漏网络（StackedHourglassNetworks）通过多层Hourglass模块实现多层次特征提取，利用中间监督学习提升预测精度。此网络结构在人体关键点检测任务中表现出色，能够进行反复的自上而下和自下而上的推断，从而优化预测结果。

Stacked Hourglass Networks for Human Pose Estimation

中文翻译

An Intuitive Explanation of Convolutional Neural Networks – the data science blog

【https://github.com/princeton-vl/pytorch_stacked_hourglass】 

一、残差网络(ResNets)与残差块（Residual block）

非常深的神经网络是很难训练的，因为存在梯度消失和梯度爆炸问题。跳跃连接（Skip connection）可以从某一层网络层获取激活，然后迅速反馈给另外一层，甚至是神经网络的更深层。利用跳跃连接构建能够训练深度网络的ResNets，有时深度能够超过100层。ResNets是由残差块（Residual block）构建的.

1.1 Residual block

上图是一个两层神经网络。计算过程：

在残差网络中有一点变化：

如上图的紫色部分，我们直接将a^{l}向后，到神经网络的深层，在ReLU非线性激活函数前加上a^{l}，将激活值a^{l}的信息直接传达到神经网络的深层，不再沿着主路进行，因此a^{l+2}的计算公式为：

加上a^{l}后产生了一个残差块（residual block）。插入的时机是在线性激活之后，ReLU激活之前。除了捷径（shortcut），你还会听到另一个术语“跳跃连接”（skip connection），就是指a^{l}跳过一层或者好几层，从而将信息传递到神经网络的更深层。

 residual block有两种形式，一种叫BasicBlock，一种叫Bottleneck

 

 

右侧为Bottleneck Block，使用了1×1卷积层。如输入通道数为256，1×1卷积层会将通道数先降为64，经过3×3卷积层后，再将通道数升为256。1×1卷积层的优势是在更深的网络中，用较小的参数量处理通道数很大的输入。

在Bottleneck

最低0.47元/天 解锁文章
Hourglass Network 沙漏网络 （pose estimation姿态估计）
hxxjxw的博客
10-17 7825
在ECCV2016《Stacked Hourglass Networks for Human Pose Estimation》这篇paper中提出 是一个姿态估计（pose estimation）的网络结构 姿态估计（Pose Estimation）是 CV 领域一个非常重要的方向，而Stacked Hourglass Networks 级联漏斗网络的提出就是为了提升姿态估计的效果，但是其中的经典思想可以扩展到其他方向，比如目标识别方向，代表网络是 CornerNet（预测目标的左上...
【论文阅读笔记】Stacked HOurglass Networks for Human Pose Estimation
时光机 °的博客
01-12 1078
论文地址：https://arxiv.org/abs/1603.06937 论文总结   本文方法名为Hourglass，是16年的老论文了。其论文中的思想，主要是发现 了重复的上采样和下采样这种结构（重复的encoder-decoder）的重要性，而且在模型训练的时候添加中间监督，其认为这两点很重要。论文结构入下图所示，每一个“沙漏”就是一个hourglass，多个就是stacked hourglass 论文介绍 Hourglass 设计   重复编解码的灵感是来自于作者认为：识别脸和手是需要局部信
使用Hourglass网络来理解人体姿态
AI公园
08-29 2168
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”作者：Nushaine Ferdinand编译：ronghuaiyang导读一个简单和通俗易懂的用Hourglass网络做人体姿...
人体姿态估计基于飞桨复现Hourglass
m0_63642362的博客
11-15 671
《Stacked Hourglass Networks for Human Pose Estimation》论文复现。MPII精度:384x384:0.366,256x256:0.317.
论文笔记：Stacked Hourglass Networks for Human Pose Estimation
Rookie_tong的博客
04-17 792
论文地址：https://arxiv.org/abs/1603.06937 代码：http://www-personal.umich.edu/~alnewell/pose/ （关于这篇论文，作者发布了v1和v2的两种版本，其中内容稍有不同，笔者重点看了v2版本，同时也参照了v1版本，但仍有部分细节不甚清楚，并且在研读过程中，感觉似乎v1和v2版本在某些细节上的介绍相互冲突。如有机会，研读代码后...
【Stacked Hourglass】《Stacked Hourglass Networks for Human Pose Estimation》
bryant_meng
05-17 2845
ECCV-2016 【Knee Landmark】《KNEEL：Knee Anatomical Landmark Localization Using Hourglass Networks》 【CornerNet】《CornerNet: Detecting Objects as Paired Keypoints》 之前看的这两篇论文中有涉及到 Hourglass 网络，今天来一睹芳容！ 文章目录1 Background and Motivation2 Advantages / Contributions.
姿态估计之2D人体姿态估计 - CPN(Cascaded Pyramid Network for Multi-Person Pose Estimation)
light169的专栏
05-17 3111
该论文发表在2018年CVPR上，用于多人姿态估计的级联金字塔网络 arxiv论文地址：https://arxiv.org/abs/1711.07319 github代码：https://github.com/GengDavid/pytorch-cpn，https://github.com/chenyilun95/tf-cpn 文档编辑参考： 1、论文笔记（CPN）：Cascaded Pyramid Network for Multi-Person Pose Estimation 2、2018-C
姿态估计之2D人体姿态估计 - Single-Stage Multi-Person Pose Machines
light169的专栏
06-14 1287
Structured Pose Representation (SPR) 将人体实例和身体关节的位置信息进行统一。 人体关节分级表示。
2D人体姿态估计 - DeepPose
light169的专栏
06-28 2040
早期一些自顶向下的深度学习方法用神经网络直接预测人体关键点的 2D 坐标 [1, 2, 3]。 DeepPose [1] 是这类方法的经典代表。DeepPose 采用级联的神经网络来预测人体各个关键点的相对坐标。每一个阶段都拿上一阶段的输出坐标作为输入，并进一步预测更为准确的坐标位置。最终，将预测得到的归一化的相对坐标转换为绝对坐标。 Alexander Toshev和Christian Szegedy提出的DeepPose最早将CNN（卷积神经网络）应用于人体关节点检测。DeepPose将人体姿.
姿态估计之2D人体姿态估计 - Simple Baseline(SBL)
light169的专栏
05-27 4027
论文地址：Simple Baselines for Human Pose Estimation and Tracking 代码地址：GitHub - leoxiaobin/pose.pytorch: Simple Baselines for Human Pose Estimation and Tracking Simple Baselines，是2018年MSRA的工作，网络结构如下图所示。之所以叫这个名字，是因为这个网络真的很简单。该网络就是在ResNet的基础上接了一个head，这个head仅仅包.
Stacked Hourglass Networks for Human Pose Estimation
Bruce_0712的博客
10-18 1221
《Stacked Hourglass Networks for Human Pose Estimation》 ECCV2016，密歇根大学的研究团队，Hourglass。 后续的很多人体姿态估计方法都借鉴了hourglass网络结构，并进行了改进，可以说hourglass的网络结构算是受到了业界的认可。 简介： 本文使用全卷积神经网络，对给定的单张RGB图像，输出人体关键点的精确像素位置，使用多尺度特征，捕捉人体各关节点的空间位置信息。网络结构形似沙漏状，重复使用top-down到bottom-up来
【人体姿态】 Stacked Hourglass Networks for Human Pose Estimation
zhuiqiuk的专栏
02-14 2379
Newell, Alejandro, Kaiyu Yang, and Jia Deng. “Stacked hourglass networks for human pose estimation.” arXiv preprint arXiv:1603.06937 (2016). code github: https://github.com/princeton-vl/pose-hg-train...
Stacked Hourglass Networks for Human Pose Estimation - HourGlass
761527200_leili的博客
09-13 589
一.Stacked Hourglass Networks for Human Pose Estimation — HourGlass（沙漏网络） 1. 摘要 本文通过沙漏网络将特征在所有的尺度上被处理和整合，以最好地捕获与身体相关的各种空间关系，通过重复的自底向上、自顶向下处理与中间监督结合使用，从而提高网络的性能，在FLIC和MPII数据集测试上取得的最先进的结果超过了所有最新的方法 2.整体网...
Stacked Hourglass Networks for Human Pose Estimation 用于人体姿态估计的堆叠沙漏网络
最新发布
Joining667的博客
04-13 1676
本文主要是介绍了一个在当时是新的姿态估计的网络结构。由于本人在研究自动驾驶领域中车道线识别时使用到此网络结构，故这里主要是对整个网络的结构和思想进行一个梳理，可以进一步明白后序一些基于此网络结构的工作，不涉及到 姿态估计领域 的一些见解和讨论，所以本文主要引出和介绍 hourglass 网络。
常见的基于注意力机制的2D人体姿态估计算法有哪些？
05-04
基于注意力机制的2D人体姿态估计算法主要有以下几种： 1. Hourglass：Hourglass网络是由Newell等人提出的一种多级卷积神经网络。它使用递归的下采样和上采样过程，并在每个级别中使用残差模块和注意力机制，以预测人体关键点位置。 2. CPN：CPN是一种基于合作多任务学习的2D人体姿态估计算法。它使用一系列子网络来预测不同的关键点，每个子网络都包含一个注意力模块来提高关键点的准确性。 3. RMPE：RMPE是一种基于关键点匹配和注意力机制的2D人体姿态估计算法。它使用两个级联的网络来预测人体关键点，其中第一个网络用于生成候选关键点，第二个网络用于对这些候选进行筛选和优化。 4. HRNet：HRNet是一种基于高分辨率表示的2D人体姿态估计算法。它使用多个并行的分支来处理不同分辨率的特征图，并使用注意力机制来引导特征图的融合过程。 5. SimpleBaseline：SimpleBaseline是一种基于单个卷积神经网络的2D人体姿态估计算法。它使用一种分阶段的方法来预测关键点位置，每个阶段都使用注意力机制来提高准确性。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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