论文实践学习 - Multi-Context Attention for Human Pose Estimation

最新推荐文章于 2024-09-09 19:27:06 发布

AIHGF

最新推荐文章于 2024-09-09 19:27:06 发布

阅读量3.3k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： Torch Docker 论文阅读姿态估计文章标签：论文阅读人体姿态 Torch Docker

本文链接：https://blog.youkuaiyun.com/zziahgf/article/details/77913932

这篇博客介绍了如何基于Docker-Torch环境，运用Multi-Context Attention进行人体姿态估计。通过运行demo.lua和show.py，展示了图片人体姿态估计及结果可视化。尽管受限于显存，未能在所有尺度上进行搜索，但文中提供了预训练模型的使用和实验结果，包括理想的和不理想的姿态估计展示。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

类似于论文实践学习 - Stacked Hourglass Networks for Human Pose Estimation ，基于Docker-Torch，估计人体关节点.

这里只简单进行测试估计结果，由于显存有限，未能加入所有的 scale_search.

这里写图片描述

1. 图片人体姿态估计 - demo.lua

# 输入参数由两个， 第二个参数默认为 'mean'
th demo.lua imglist.txt 'max' 
# or
th demo.lua imglist.txt

require 'paths'
paths.dofile('util.lua')
paths.dofile('img.lua')

--------------------------------------------------------------------------------
-- Initialization
--------------------------------------------------------------------------------
a =  loadImageNames(arg[1]) -- 批量读取文件名列表

m = torch.load( '../checkpoints/mpii/crf_parts/model.t7')   -- Load pre-trained model
m:cuda()
m:evaluate()

-- Parameters
local isflip = true
local minusmean = tru
local scale_search = {
  
  1.0, 1.1} -- 根据显存情况来选择
-- local scale_search = {0.7,0.8,0.9,1.0,1.1,1.2} -- used in paper with NVIDIA Titan X (12 GB memory).


-- Displays a convenient progress bar
idxs = torch.range(1, a.nsamples)
nsamples = idxs:nElement() 

xlua.progress(0,nsamples)
preds = torch.Tensor(nsamples,16,3)
imgs = torch.Tensor(nsamples,3,256,256)
local imgpath = '../data/image/'
--------------------------------------------------------------------------------
-- Main loop
--------------------------------------------------------------------------------
for idx = 1,nsamples