Datasets - Related to Human

最新推荐文章于 2025-02-21 16:38:21 发布
原创 最新推荐文章于 2025-02-21 16:38:21 发布 · 1.3k 阅读 · 0 ·
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：

#Dataset

本文概述了多个用于人体姿态估计和解析的数据集，包括MPII人类姿态数据集、Leeds Sports Pose数据集等。这些数据集包含了大量带有注释的人体关键点图像，适用于训练和评估计算机视觉中的人体姿态估计算法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

  • MPII Human Pose Dataset

    • Human Pose Estimation
    • 25K images containing over 40K people with annotated body joints
    • 410 human activities and each image is provided with an activity label
    • Extracted from YouTube video
    • For the test set, richer annotations including body part occlusions and 3D torso and head orientations

  • Frames Labeled In Cinema (FLIC)

    • Human Pose Estimation
    • 20928 examples

  • Leeds Sports Pose Dataset

    • Human Pose Estimation
    • 2000 pose annotated images

  • COCO Dataset

    • Object segmentation
    • Recognition in Context
    • Multiple objects per image
    • More than 300,000 images
    • More than 2 Million instances
    • 80 object categories
    • 5 captions per image
    • Keypoints on 100,000 people

  • Look into Person - LIP Dataset

    • Human Pose Estimation, Human Parsing
    • 30462 images for training set, 10000 images for validation set and 10000 for testing set

  • Pascal VOC data sets

    • Classification/Detection
    • Segmentation
    • Action Classification
    • Person Layout/Person Parsing

  • Large-scale Fashion (DeepFashion) Database

    • Human Clothes Database
    • Category and Attribute Prediction Benchmark
    • In-shop Clothes Retrieval Benchmark
    • Consumer-to-shop Clothes Retrieval Benchmark
    • Fashion Landmark Detection Benchmark

  • Clothes Segmentation

    • Clothings Semantic Segmentation

推荐：
CVonline: Image Databases

人体姿态估计 | 使用OpenPose模型在MPII Human Pose数据集上进行人体姿态估计任务
sybh的博客
04-24 1297
人体姿态估计是计算机视觉中的一个重要问题，它的目标是从图像中识别人体的关键点（如手、肘、膝等）以及它们之间的关系，以获取人体的姿态信息。本文将介绍如何使用OpenPose模型在MPII Human Pose数据集上进行人体姿态估计任务，使用Python代码实现，并详细讲解每一步的操作和思路。
51-61 CVPR 2024 最佳论文 | Rich Human Feedback for Text-to-Image Generation
AIgraphX
06-26 1902
受大模型中RLHF技术启发，团队用人类反馈来改进Stable Diffusion等文生图模型，提出了先进的RichHF-18K数据集和多模态RAHF模型。
dataset - related paper
kl195375的博客
11-06 192
1.< Generative Malware outbreak Detection>
[paper] Multiple Human Parsing
AlgoComp
06-13 1508
Towards Real World Human Parsing: Multiple-Human Parsing in the Wild Paper: https://arxiv.org/pdf/1705.07206.pdf
人体姿态估计数据集整理（Pose Estimation/Keypoint）
上善若水
11-21 3985
LSP 地址：http://sam.johnson.io/research/lsp.html 样本数：2K 关节点个数：14 全身，单人 FLIC 地址：https://bensapp.github.io/flic-dataset.html 样本数：2W 关节点个数：9 全身，单人 MPII 地址：http://human-pose.mpi-inf.mpg.de/ 样本数：25K 关节点个数：...
整理的一些human parsing数据集
03-18
数据集包括：ATR(human parsing)、LIP(Looking into Person)、Multi-human-parsing数据集。基本山涵盖了所有国际公开的human parsing数据集！
拟投顶会的论文详细提纲 Diffusion-based 3D Human Mesh Recovery from Multi-view Images with Segmentation Masks
结构化论文学习和写作
12-11 484
Title: Diffusion-based 3D Human Mesh Recovery from Multi-view Images with Segmentation MasksAbstract:This paper addresses the challenging problem of 3D human mesh recovery from multi-view images in the presence of occlusions. We propose a novel diffusion-b
【DeepFace】《DeepFace：Closing the Gap to Human-Level Performance in Face Verification》
最新发布
bryant_meng
02-21 1234
CVPR-2024。
论文翻译解读与代码实践 PIFu: Pixel-Aligned Implicit Function for High-Resolution Clothed Human Digitization
weixin_45915902的博客
09-14 2257
PIFu: Pixel-Aligned Implicit Function for High-Resolution Clothed Human Digitization 论文翻译解读与代码实践 文章目录PIFu: Pixel-Aligned Implicit Function for High-Resolution Clothed Human Digitization 论文翻译解读与代码实践1. Introduction2. Related Work3. PIFu: Pixel-Aligned Implic
论文阅读笔记--Predicting Human Eye Fixations via an LSTM-based Saliency Attentive Model
qq_22565865的博客
06-27 1730
文章完整信息： 标题：Predicting Human Eye Fixations via an LSTM-based Saliency Attentive Model 作者:Marcella, Cornia , et al 期刊名称：IEEE Transactions on Image Processing 出版年: 2018 分类：2D deep learning saliency model 全文：PDF 代码：Code Predicting Human Eye Fixations via an LS
MPII Human Pose Data MPII 人类姿势数据-数据集
03-16
数据是从MPII人类姿势收集的，并转化为一个".csv"文件。 mpii_human_pose.csv
Human-Segmentation
04-11
人为分割PyTorch 在PyTorch中实现的人体分割，/代码和。 支持的网络 ：骨干 （所有aphas和扩张）， （所有num_layers） ：骨干网 （num_layers = 18,34,50,101）， ：骨干网 （num_layers = 18） ：主干网 （num_layers = 18、34、50、101） ICNet ：主干网ResNetV1 （num_layers = 18、34、50、101） 要评估体系结构，内存，转发时间（以cpu或gpu表示），参数数量以及网络的FLOP数量，请使用以下命令： python measure_model.py 数据集 人像分割（人/背景） 自动人像分割以实现图像风格化：1800张图像 监督人：5711张图片 放 在此存储库中使用了Python3.6.x。 克隆存储库： git clone --re
Python-获取Human36M3D人体姿态数据集
08-12
Human 3.6M 3D human pose dataset fetcher
MPII Human Shape 人体模型数据集.torrent
03-11
MPII Human Shape 是一个人体模型数据集，包括一系列人体轮廓和形状的 3D 模型及工具，其中训练模型从平面扫描数据库 CAESAR 学习得到。 【这个只是种子资源，需要自己下载】MPII 人体形态是一组三维人体形态模型和工具，用于人体形态空间的构建、操作和评价，人体形状空间基于统计身体表示学习从凯撒数据集，也是迄今为止最大的商业可用扫描数据库。 该数据集由 Max Planck 信息学研究所于 2017 年发布, 主要发布人为 Leonid Pishchulin, Stefanie Wuhrer, Thomas Helten, Christian Theobalt and Bernt Schiele，相关论文《Building Statistical Shape Spaces for 3D Human Modeling》
Macro-Micro Adversarial Network for Human Parsing
a1424262219的博客
10-27 262
Macro-Micro Adversarial Network for Human Parsing ECCV-2018　　 2018-10-2715:15:07 Paper:https://arxiv.org/pdf/1807.08260.pdf Code:https://github.com/RoyalVane/MMAN Motiviation-1: Why use...
【亲测免费】 发掘深度人体解析新境界：探索HumanParsing-Dataset的无限可能
gitblog_00086的博客
05-31 535
发掘深度人体解析新境界：探索HumanParsing-Dataset的无限可能 项目介绍 在当今视觉识别领域，人像分割技术正迅速成为研究热点。HumanParsing-Dataset是这一领域的佼佼者，它由一系列详尽的像素级注标注的时尚图像组成。该数据集源自于两篇重量级论文——《深 度人体解析与主动模板回归》（发表于IEEE T-PAMI）和《上下文化卷积神经网络下的人体解析》（在ICCV 201...
关于UvA 3D Human Pose Recovery Dataset的数据处理
Nismilesucc的学习札记
12-22 3398
UvA 3D Human Pose Dataset 阿姆斯特丹大学的3D人体姿势恢复数据集 --文档介绍 关于Bayer Filter -wiki OpenCV官方文档 cvtColor() raw2rgb # raw2rgb import cv2 import numpy as np import os def raw2rgb(file_pathname): #遍历该目录下的所有图片文件 for filename in os.listdir(file_pathname):
多人部件解析--Towards Real World Human Parsing: Multiple-Human Parsing in the Wild
AI小作坊 的博客
06-06 3472
Towards Real World Human Parsing: Multiple-Human Parsing in the Wild https://arxiv.org/abs/1705.07206数据库没给出来啊！本文针对当前 human parsing 数据库基本都是单人标记，而图像实际情况经常含有多人，这里我们提出了一个 Multiple-Human Parsing (MHP) 数据库，
MPII Human Pose
qq_25379821的博客
11-28 7488
介绍 CVPR 2014 - 2D Human Pose Estimation: New Benchmark and State of the Art Analysis 2D的人体姿态估计数据库，元老级别，在标注规范化和评价系统完善方面进行突破 本文只关注它所做的标注内容以及评价系统 标注内容 主要的人体关节点的坐标和可见性，被遮挡的用红色标记 眼睛、鼻子的坐标 头部的边界框 ...
The human visual cortex is biased towards shape components while CNNs produce texture biased features. This fact may explain why the performance of CNN significantly degrades with low-labeled input data scenarios. In this paper, we propose a frequency re-calibration U-Net (FRCU-Net) for medical image segmentation. Representing an object in terms of frequency may reduce the effect of texture bias, resulting in better generalization for a low data regime. To do so, we apply the Laplacian pyramid in the bottleneck layer of the U-shaped structure. The Laplacian pyramid represents the object proposal in different frequency domains, where the high frequencies are responsible for the texture information and lower frequencies might be related to the shape. Adaptively re-calibrating these frequency representations can produce a more discriminative representation for describing the object of interest. To this end, we first propose to use a channel-wise attention mechanism to capture the relationship between the channels of a set of feature maps in one layer of the frequency pyramid. Second, the extracted features of each level of the pyramid are then combined through a non-linear function based on their impact on the final segmentation output. The proposed FRCU-Net is evaluated on five datasets ISIC 2017, ISIC 2018, the PH2, lung segmentation, and SegPC 2021 challenge datasets and compared to existing alternatives, achieving state-of-the-art results.请详细介绍这段话中的技术点和实现方式
05-29
这段话主要介绍了一种针对医学图像分割的新型网络结构——频率重新校准U-Net（FRCU-Net）。该网络结构的核心思想是将物体表示为频率，在低数据情况下降低纹理偏差的影响，从而获得更好的泛化性能。具体实现方式包括以下技术点： 1. 使用Laplacian金字塔将物体表示在不同的频率域中，其中高频率负责纹理信息，而较低的频率可能与物体的形状相关。 2. 通过自适应重新校准这些频率表示，以产生更具有区分性的物体表示。为此，首先提出使用通道注意力机制来捕捉一个特征图集合中各通道之间的关系，然后通过一个非线性函数将金字塔各层的特征提取结果组合起来，以得到最终的分割输出。 3. 在ISIC 2017、ISIC 2018、PH2、肺分割和SegPC 2021数据集上对FRCU-Net进行了评估，并与现有的替代方案进行了比较，取得了最先进的结果。 综上所述，FRCU-Net通过将物体表示为频率，以及使用自适应的频率重新校准和通道注意力机制，实现了对低数据情况下医学图像分割的有效处理。
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