ming6383的博客

原文：Semantic Graph Convolutional Networks for 3D Human Pose Regression代码：garyzhao/SemGCNAbstract略Introduction略Related Work略Semantic Graph Convolutional Networks文章提出了一种新的图网络体系结构来处理涉及可以用图的形式表示的数据的一般回归任务，这些数据。首先介绍 GCN 的背景和相关的 baseline 方法，然后介绍 SemG

原文：Peeking into occluded joints: A novel framework for crowd pose estimation代码：OPEC-NetAbstract虽然遮挡在自然界中广泛存在，并且仍然是姿态估计的一个基本挑战，但现有的基于热图的方法在遮挡问题上存在严重的退化。它们固有的问题是，直接根据图像信息定位关节点；然而，不可见的关节点却缺乏图像信息。与直接定位不同的是，文章从推理的角度对不可见关节进行了估计，提出了一个图像引导的渐进式 GCN 模块，该模块提供了对图像

原文：Objects as Points代码：xingyizhou/CenterNetAbstract略Introduction略Related work略Preliminary假设 I∈RH×W×3I \in \mathbb{R}^{H \times W \times 3}I∈RH×W×3 是一个高H宽W的图像输入。我们的目标是生成一张heatmap Y^∈[0,1]HR×WR×C\hat{Y} \in[0,1]^{\frac{H}{R} \times \frac{W}{R} \

原文：PersonLab: Person Pose Estimation and Instance Segmentation with a Bottom-Up, Part-Based, Geometric Embedding Model代码：octiapp/KerasPersonLabAbstractIntroductionRelated workMethodsPerson detection and pose estimation文章提出了一种box-free的bottom-up的姿态估计方

原文：Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields代码：openposeAbstract文章提出了一种高效的检测2D多人姿态的方法。文章提出了一种Part Affinity Fields (PAFs)的方法来联系不同个体之间的关节。该体系结构编码来全局上下文，允许贪婪的bottom-up的解析步骤，该步骤在实现实时性能的同时保持高精度，而与图像中的人的数量无关。该体系结构被设计为通过同一顺序预测过程的两个分支来联

原文：Associative Embedding: End-to-End Learning for Joint Detection and Groupinggithub:Abstract文章提出了一种全新的用于detection和grouping的监督方法，Associate Embedding。意外的多人姿态估计、实例分割、多目标跟踪问题都采用了two-stages，先detect后group的方式。文章提出的associate embedding 同时输出detection 和 grouping的

添加链接描述添加链接描述添加链接描述添加链接描述添加链接描述

深度学习100问之深入理解Batch Normalization（批归一化）

基础目标检测算法介绍（一）：CNN、RCNN、Fast RCNN和Faster RCNN0.快速回忆正文：每次丢了东西，我们都希望有一种方法能快速定位出失物。现在，目标检测算法或许能做到。目标检测的用途遍布多个行业，从安防监控，到智慧城市中的实时交通监测。简单来说，这些技术背后都是强大的深度学习算法。在这篇文章中，我们会进一步地了解这些用在目标检测中的算法，首先要从RCNN家族开始，例如...

添加链接描述

ResNet 网络结构

梯度下降法对于优化算法，优化的目标是网络模型中的参数θ（是一个集合，θ1、θ2、θ3 …）目标函数为损失函数L = 1/N ∑ Li （每个样本损失函数的叠加求均值）。这个损失函数L变量就是θ，其中L中的参数是整个训练集，换句话说，目标函数（损失函数）是通过整个训练集来确定的，训练集全集不同，则损失函数的图像也不同。那么为何在mini-batch中如果遇到鞍点/局部最小值点就无法进行优化了呢？因...

一、BN、LN、IN和GN总述常用的Normalization方法主要有：Batch Normalization（BN，2015年）、Layer Normalization（LN，2016年）、Instance Normalization（IN，2017年）、Group Normalization（GN，2018年）。它们都是从激活函数的输入来考虑、做文章的，以不同的方式对激活函数的输入进行 N...