姿态估计之2D人体姿态估计 - Human Pose Regression with Residual Log-likelihood Estimation(RLE)

原创 已于 2022-06-29 09:20:06 修改 · 2k 阅读 · 13 ·
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：

#算法 #姿态估计

于 2022-06-02 16:49:09 首次发布
本文解读了ICCV2021 Oral中的一项创新工作，通过Residual Log-likelihood Estimation (RLE)学习预测误差分布，使得回归方法首次超越传统热图方法。研究者利用Flow模型优化误差估计，提升姿态估计精度并实现更快速、轻量级的模型训练。

【参考】重点看第四篇


  2. [ICCV2021 Oral] 学习潜在的误差分布——Human Pose Regression with Residual Log-likelihood Estimation(RLE) 论文笔记 - 知乎
  3. RLE重铸回归方法的荣光后，回归和热图的异同究竟在何方？| 姿态估计ICCV2021 读后实验 - 知乎
  4. 零基础看懂RLE（Residual Log-likelihood Estimation）|姿态估计ICCV 2021 Oral - 知乎
  5. 基于流的生成模型-Flow based generative models - 知乎   李宏毅老师 笔记

将训练中的误差作为样本，利用MLE极大似然估计和 Flow-based 生成模型学习潜在的误差分布

这是ICCV2021 Oral的一篇论文，在跟进姿态估计的最新论文时偶然间看到的。论文的核心思想就是上方引用中的内容，虽然这篇论文针对的是人体姿态估计，但是其学习误差分布的思想可以扩展到任何任务。

工作的核心在于，通过flow方法，估计出模型输出关节的分布概率密度。一旦估计出令人满意的先验分布函数，就能动态优化损失函数loss，从而促进模型的回归训练。结果上讲，该论文也交出了一份令人满意的答卷：有史以来第一次，回归关节坐标的方法比高斯热图方法取得了更好的效果，而且，回归方法还能保持更快、更轻。

1. 从高斯热图说起

众所周知，姿态估计分为坐标回归和热图回归两派，我一开始接触的就是热图回归。而热图回归中的热图一直以来都使用手工设计 \sigma 的二维独立高斯分布。例如假设输出热图H  分辨率为64×64，则 \sigma 为2，热图上某一位置  的值则为

 

其中 \mu =(\mu_x,\mu_y) 是该输入图片中该关键点的真实坐标点。

为什么使用高斯分布呢？直到看了这篇论文清楚了高斯分布热图的合理性。

2. 坐标误差分布

最低0.47元/天 解锁文章
关键点论文详解之：Human Pose Regression with Residual Log-likelihood Estimation(RLE)
litt1e的博客
08-24 2378
做过关键点的同学都知道，一般Heatmap-based方法在性能上会优于Regression-based的方法。因为Heatmap-based方法通过显式地渲染高斯热图，让模型学习输出的目标分布，将输入图片滤波成为最终希望得到的高斯热图即可，这极大地简化了模型的学习难度，并且这种方式规定了学习的分布，相对于除了结果以外内部一切都是黑盒的Regression-based方法，对于各种情况（遮挡、动态模糊、截断等）要鲁棒得多。
ICCV 2021 Oral | 姿态估计——零基础看懂RLE
shenlanshenyanai的博客
12-17 1499
最近ICCV 2021上有一项姿态识别领域非常厉害的工作，它就是今天要介绍的残差似然估计（Residual Log-likelihood Estimation）。其工作的核心在于，通过flow方法，估计出模型输出关节的分布概率密度。一旦估计出令人满意的先验分布函数，就能动态优化损失函数loss，从而促进模型的回归训练。 从结果上讲，该论文也交出了一份令人满意的答卷：有史以来第一次，回归关节坐标的方法比高斯热图方法取得了更好的效果，而且，回归方法还能保持更快、更轻。（For the first time,
动作识别1——2D姿态估计+ 几何分析 + 有限状态机
最新发布
shimingwang的博客
11-06 643
我会保留探索的过程，调试的方法是每一句后面都加上print语句，然后输出到日志里面。
人体姿态估计（Human Pose Estimation）
nty102的博客
06-02 9270
人体姿态估计（Human Pose Estimation）是计算机视觉领域中的一个重要研究方向，也是计算机理解人类动作、行为必不可少的一步，人体姿态估计是指通过计算机算法在图像或视频中定位人体关键点，目前被广泛应用于动作检测、虚拟现实、人机交互、视频监控等诸多领域。本次课程涵盖人体姿态估计的介绍与应用、2D 姿态估计、3D 姿态估计、DensePose、Body Mesh 以及 MMPose 等内容。
Human Pose Regression with Residual Log-likelihood Estimation
qiqisunshine的博客
04-26 1012
通过似然热图对输出分布进行建模的基于热图的方法在人体姿态估计领域占据主导地位。相比之下，基于回归的方法更有效，但效果较差。在这项工作中，我们探索了最大似然估计（MLE），以开发一种高效有效的基于回归的方法。从MLE的角度来看，采用不同的回归损失是对输出密度函数做出不同的假设。密度函数越接近真实分布，回归性能越好。有鉴于此，我们提出了一种新的残差对数似然回归范式估计（RLE），以捕获潜在的输出分布。具体来说，RLE学习分布的变化而不是未引用的底层分布，以促进训练过程。
Human Pose Regression with Residual Log-likelihood Estimation阅读笔记
AnZhiJiaShu's blog
07-16 1463
热图法通过似然热图模拟输出分布，在人体姿态估计领域独领风骚。相比之下，
论文阅读：《Deep Learning-Based Human Pose Estimation: A Survey》——Part 1：2D HPE
zyd_994264926326的博客
02-13 2203
2D HPE 依然面临的。
【七班】人体姿态估计概论笔记【OpenMMLab AI实战营第二期Day2】
chenghong1的专栏
06-02 386
【课程说明】人体姿态估计（Human Pose Estimation）是计算机理解人类动作、行为必不可少的一步，本次课程涵盖人体姿态估计的介绍与应用、2D 姿态估计、3D 姿态估计、DensePose、Body Mesh 以及 MMPose 等内容。【讲师介绍】卢策吾 上海交通大学电院计算机系教授、博士生导师。【课程地址】【ToDo】本课作为概论性质的介绍，内容挺多，因此打算再分为两到三次笔记进行学习和总结，敬请期待！0. 人体姿态估计的介绍与应用什么是姿态估计？
2D姿态估计regression-based之RLE损失函数
weixin_43955293的博客
08-29 2579
2D姿态估计 涨点之损失函数
万字长文教你优化轻量姿态估计模型（算法篇），附调参侠秘籍！
qq_39967751的博客
07-27 1721
在上一期中我初步体验了MMPose，牛刀小试之后，接下来就应该真正动手做一些自己的东西了。
姿态估计常用损失函数
sunnyblogs的博客
01-04 2718
最近在研究手部姿态估计，被问到常用的损失函数有哪些的时候只能回答上来L2损失函数，所以在此整理一下姿态估计（回归）常用的损失函数。 以下内容均来自网络。 L1损失函数 L1范数损失函数，也被称为最小绝对值偏差（LAD），最小绝对值误差（LAE）。总的说来，它是把目标值（Yi)与估计值（f(xi))的绝对差值的总和（S)最小化： 如果对所有样本点只给出一个预测值，那么这个值就是所有目标值的中位数。 优点： -对异常值具有较好鲁棒性 缺点： -梯度不变是个严重问题，即使对于很小的损失，梯度也很大，不利于模型收
姿态估计之2D人体姿态估计 - Distribution Aware Coordinate Representation for Human Pose Estimation【转-修改】
light169的专栏
06-02 978
Distribution-aware Maximum Relocalization是在基于分布假设的情况下对最大激活值进行重定位。
人体姿态估计相关理论
weixin_43955293的博客
03-21 2139
姿态估计论文汇总 Stacked Hourglass/CPN/Simple Baselines/MSPN/HRNet 制作自己的COCO关键点数据集 关键点之热力图Heatmap与坐标FC回归1 关键点之热力图Heatmap与坐标FC回归2 关键点检测——标签（Ground Truth）构建——Coordinate、Heatmap和Heatmap + Offsets 人体姿态估计数据集：MPII、COCO与 AI Challenger 的标注格式可视化 两种骨骼关节点检测方式 基于深度学习的人体骨骼关节点的
收藏 | 轻量级姿态估计技巧综述
小白学视觉
03-14 461
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达数据处理&增强篇1. 正确的归一化将坐标值归一化到(-0.5, 0.5)之间，公式为：由于目标检测的关系，姿态估计的对象大都会在图像的中央，用这样的归一化能很大的加速模型收敛2. Augmentation by Information Dropping(AID)2020 COCO Keypoint Challenge 冠...
关于人体姿态估计
zebraZhangCheng的博客
06-01 183
transformer的人体估计：大体上是cnn+transformer。token并没有直接利用原图。而是用cnn后的特征图。整体架构和VIT类似。当然没有去确认transformer类的说法的精度是否是SOTA。初步学习了下人体姿态估计，卢老师高屋建瓴来了场overview.由于内容庞杂，只能简要记录下影响比较深刻的点。人体参数化模型:SPML模型，将人体描述参数化，解耦成形态和姿态。然后利用参数化公式进一步学习。RLE: 之前在SAM里听到过这个词，但并没有深究。这次重点提到了RLE。
docker 安装RLE配置
夜半子时
06-22 235
1.创建一个目录，在该目录下创建一个文件夹用于保存相关文件： mkdir gdcm cd gdcm mkdir docker-demo 2.将对应安装包上传到docker-demo目录下， 这里用到的有cmake、gdcm、swig三个安装包 3.在docker-demo目录下创建Dockerfile vim Dockerfile 4.具体配置如下： 5.这里安装gdcm有个问题：如果单纯使用cmake命令安装，那swig安装会有问题，而使用ccmake安装，执行Dockerfile时会出现以下状况
优化姿态估计模型
qq_33596242的博客
07-25 1606
本文优化了一个regression-based轻量级姿态估计模型，
人体姿态估计算法
YYY_77的博客
12-03 7062
人体姿态估计(Human Pose Estimation, HPE)是一种识别和分类人体关节的方法。本质上，它是一种捕获每个关节（手臂、头部、躯干等）的一组坐标的方法，该坐标被称为可以描述人的姿势的关键点(keypoint)。这三种类型是随着应用逐步发展出来的，先检测关键点，类似于火柴人，进一步的检测出人的轮廓，再根据轮廓进一步的把人体进行3D重建。也称为运动学模型，该模型包括一组关键点（关节），例如脚踝、膝盖、肩膀、肘部、手腕和肢体方向，主要用于 3D 和 2D 姿势估计。
评论 1
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