深度学习笔记——hrnet

最新推荐文章于 2025-11-18 10:12:05 发布
原创 最新推荐文章于 2025-11-18 10:12:05 发布 · 2.9k 阅读 · 3 ·
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：

#目标检测 #深度学习

本文详细介绍了HRNet网络的主要改进点及其实现方式，包括保持高分辨率特征图、采用3x3卷积进行下采样而非最大池化、使用双线性插值上采样等，并解释了如何通过特征融合提升模型性能。
部署运行你感兴趣的模型镜像

一、HRNet

参考链接：https://zhuanlan.zhihu.com/p/143385915
hrnet改进点：
1、将不同分辨率之间的串联改为了并联
2、始终保持着高分辨率的特征图（具有较强的位置信息）（最上面一层的特征图）
3、将不同分辨率进行融合，提升模型性能
怎么做：
1、相同分辨率之间直接进行复制
2、下采样采用的是33卷积而不是最大池化
3、上采样采用的双线性插值以及利用11卷积来调整通道数以进行特征融合
4、不同分辨率的特征图进行特征融合采用的是直接add

您可能感兴趣的与本文相关的镜像

TensorFlow-v2.15

TensorFlow-v2.15

TensorFlow

TensorFlow 是由Google Brain 团队开发的开源机器学习框架,广泛应用于深度学习研究和生产环境。 它提供了一个灵活的平台,用于构建和训练各种机器学习模型

Lite-HRNet
jacke121的专栏
04-14 8100
Lite-HRNet paper:https://arxiv.org/abs/2104.06403 code:https://github.com/HRNet/Lite-HRNet 本文是MSRA的研究员针对HRNet的轻量化设计，已被CVPR2021接收。从HRNet与轻量化网络ShuffleNet的组合出发，针对置换模块存在的计算瓶颈问题，提出了一种高效条件通道加权单元替换1x1卷积，并得到了本文的Lite-HRNet。所提Lite-HRNet在人体姿态估计方面取得了最佳的精度-速...
改进YOLOv5，利用HRNet高分辨率特征金字塔的全新物体检测突破
学Java，找哪吒
05-31 3344
HRNet的基本单元是一个全卷积网络，由两个相同的分支组成。每个分支包含一个卷积层、一个深度可分离卷积层和一个resize模块。这些分支在不同的分辨率上操作，并将它们组合成一个高分辨率特征金字塔。其中，resize模块用来将低分辨率特征图放大到原始输入图像大小的尺寸。
论文阅读|Lite-HRNet
weixin_45782047的博客
04-04 3820
人体姿态估计|Lite-HRNet
深度学习模型试跑(九):HRNet / HRNet-Semantic-Segmentation
qq_33642342的博客
08-28 2723
目录前言一.模型解读二.模型训练1.数据转换2.配置3.开始训练三.模型推理 前言 官方项目地址: mmsegmentation地址: 一.模型解读 具体参考 二.模型训练 我的环境 os: win10 cuda: 11.0 gpu: RTX3090 torch: 1.7.0 代码: 因为要使用libtorch，所以选择了mmsegmentation的，因为这里有形成的转换代码 1.数据转换 支持4类数据（voc2012, cityscapes, pascal_context, ade20K）,.
无人机避障物体检测——基于Mask-RCNN与HRNet的改进模型实现
最新发布
xuehaisj的博客
11-18 806
本文提出一种改进的Mask-RCNN与HRNet融合模型，用于无人机避障物体检测。该模型通过HRNet特征提取优化、动态RoI采样和轻量化设计，显著提升了检测性能。实验表明，改进模型在自建数据集上mAP达到85.7%，FPS提升至18帧，满足实时避障需求。消融实验验证了各改进点有效性，HRNet增强特征提取贡献最大。系统部署采用NVIDIA Jetson平台，通过模型量化与TensorRT加速实现高效推理。该方案解决了传统方法精度不足、实时性差等问题，为无人机安全飞行提供了可靠的技术保障。
深度学习（HRNet为例）运行环境搭建（Linux版)
Ian Wong
01-18 1551
声明：本博客仅为学习笔记，其中摘用了多位博主的博客文章，若侵权请联系本人进行删除。 一、安装Ubuntu系统 1.烧录Ubuntu20.04的iso镜像文件到U盘中，制作好启动盘，烧录软件为UltraIso; 2.进入bios系统界面，设置为U盘启动； 3.重启电脑进入Ubuntu系统安装； 4.按照指示进行安装，具体操作详情可参考下附参考博客。 安装完成界面如下图： 附录1：参考博客 参考链接1：主机装Ubuntu 参考链接2：硬盘装Ubuntu 参考博客3：Ubuntu下输入法汉化 附录2：遇到的问题
分割新SOTA！U-HRNet：UNet与HRNet碰撞会产生怎样的火花？
CV_Autobot的博客
11-07 3143
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【分割】技术交流群后台回复【分割综述】获取语义分割、实例分割、全景分割、弱监督分割等超全学习资料！高分辨率和高级语义表示对于密集预测都至关重要。从经验上看，低分辨率特征地图通常实现更强的语义表示，而高分辨率特征地图一般可以更好地识别边缘等局部特征，但包含较弱的语义信息。现有的最先进的框架（如HRNet）保持了低...
HRNet的学习笔记
墨门
01-29 380
1 HRNet论文学习 论文：《Deep High-Resolution Representation Learning for Visual Recognition》 arxiv链接：https://arxiv.org/abs/1908.07919 2 代码学习 来自于stefanopini开源项目：simple-HRNet 感谢stefanopini的分享！
人体姿态估计学习——HRNet论文了解
weixin_47703176的博客
05-17 582
前言 最近开始了看姿态估计的东西，所以选择了寻找顶会论文来拜读。这里找了一篇2019年的cvpr。由于还在处于相当入门的阶段，就简略讲一下自己的一些理解。 介绍 目前，关键点的寻找作为姿态估计中极其重要的部分，大佬们不断寻找提高预测准确率的方法。于是开始在信息的恢复（优化特征的高清度）上下功夫，一般的优化方法有：1.反卷积、2.沙漏结构、3.空洞卷积。 本文中HRNet：高分辨率子网络。在提高高清度方面提出了一个很特别的网络结构——并行多尺度融合的结构。 传统方法 1.以往的网络结构都是串联结构，先是用卷积
【深度学习|PyTorch】基于 PyTorch 搭建 U-Net 深度学习语义分割模型——附代码及其解释！
985小水博的摸鱼日常
09-14 1500
【深度学习|PyTorch】UNet学习笔记！
HRNet 论文阅读笔记
AnZhiJiaShu's blog
05-06 1875
Deep High-Resolution Representation Learning for Human Pose Estimation 用于人体姿态估计的深度高分辨率表征学习 论文地址 摘要： 本文关注针对人体姿态估计问题，重点学习可靠的高分辨率表示。现有的大多方法从一个 high-to-low 分辨率网络生成的低分辨率表示中恢复高分辨率表示。但是，我们的网络模型在整个过程中都保持高分辨率表示。 我们从一个高分辨率的子网络作为 first stage 开始，逐步添加 high-to-low 分辨率子网
深度学习路线总结 (含链接)
2301_79695159的博客
07-25 1771
深度学习资料链接总结
Lite-HRNet: A Lightweight High-Resolution Network 阅读笔记
AnZhiJiaShu's blog
05-02 3545
Lite-HRNet: A Lightweight High-Resolution Network 论文阅读笔记 摘要： 本文提出了一个应用于人体姿态估计的非常有效的轻量级高分辨率网络：Lite-HRNet。我们首先简单地将ShuffleNet中高效的 shuffle block 应用于HRNet，相比流行的轻量级网络（如MobileNet、ShuffleNet和小型HRNet）能产生更强的性能。 shuffle blocks 中大量使用的 pointwise（1×1）卷积是计算瓶颈。我们引入了一个轻量级单
MMAction2 学习笔记 （一）——骨骼动作识别模型相关内容
热门推荐
Jason_____Wang的博客
11-16 1万+
MMAction2 学习笔记 （一）——骨骼动作识别模型相关内容 0- 写在前面 好久不用优快云发东西了，近期研究可以说有进展却又没什么进展，达到方向切换到了动作识别，目前正在实习，具体的内容方向是基于骨骼关键点的动作识别（skeleton based action recognition）。 在经过了多多的调研之后，觉得目前还是mmaction2平台最香，因此希望后续工作（包括效果的验证、实验、对比等等）包括前期的端到端工作都在mmaction2工具箱上展开。 学习mmaction2的目的是能够借助该平
【U-HRNet2022】U-HRNet: Delving into Improving Semantic Representation of High Resolution Network for
我的博客
10-20 7080
分辨率和先进的语义表示对密集预测都是至关重要的。根据经验，低分辨率的特征图往往能实现更强的语义表示，而高分辨率的特征图一般能更好地识别局部特征，如边缘，但包含较弱的语义信息。现有的先进框架，如HRNet，将低分辨率和高分辨率的特征图并行保存，并在不同的分辨率下反复交换信息。然而，我们认为，最低分辨率的特征图往往包含最强的语义信息，需要经过更多的层来与高分辨率的特征图合并，而对于高分辨率的特征图，每个卷积层的计算成本非常大，没有必要经过这么多层。因此，我们设计了一个U型高分辨率网络（U-HRNet），它在具有
《HigherHRNet：Scale-Aware Representation Learning for Bottom-Up Human Pose Estimation》论文笔记
m_buddy的博客
09-18 1602
参考代码：HigherHRNet 1. 概述 导读：在bottom-up类型的人体关键点检测算法中，人物目标密集和人物目标过小都是算法表现不好的场景，对此这篇文章从特征提取的角度，在HRNet的基础上（用HRNet的输出并使用trasnpose卷积进行上采样）引入特征金字塔优化关键点检测算法HigherHRNet，算法从高分辨的特征金字塔学习scale-aware表达（train的时候是scale-aware的，infer的时候是将heatmap融合预测的），因而这样对尺度带来的检测问题有了一定的优化。文
再谈HRNet遥感图像语义分割
爱CV
03-10 2680
该链接介绍了hrnet改进 1. pose_hrnet 原样复制的HRNet，不同之处是相比于原作者写的代码，每类情况单独写一个函数，没有在一个函数中为了考虑各种情况写的比较复杂难懂。 总的来说，HRNet还是存在像inception一样的stem模块，产生四倍下采样的特征图，进而逐步增加分支，每个分支完成之后接用resnet的block模块进行特征提取，完了多个分支之间进行类似于全连接之间的加法特征融合（将每个三维特征图当作全连接网络的一个节点），最后一次融合的时候只产生单个最高分辨率的分支。...
人体姿态估计 HRNet C++版
xz1203的博客
04-25 4476
最近由于项目原因，需要用到HRNet网络，加上前面的目标检测部分，使用python版本的代码运行太慢，于是想到了用c++来重写HRNet，将pytorch的模型文件转换为onnx，采用onnx的c++的推理库。然后目标检测网络采用轻量级的nanodet，同时也采用onnx进行推理。最后，在我的笔记本电脑上（GTX960M）进行单人的姿态估计也跑到了20帧左右。其中nanodet是0.01s左右，hrnet是0.04s左右，hrnet是w32_256*192的模型转换而来的。多人的话时间就是成倍增长。
HRNet/hrnet人体姿态估计的C++部署
qq_23022733的博客
04-01 2194
骨骼点识别（Human Pose Estimation, HPE）是计算机视觉领域中的重要任务，旨在从图像或视频中检测和定位人体关节。网络需要对每个关节点的每个像素位置产生一个标签，也就是说，每个关节点的heatmap对应一个标签heatmap，因此，如果一张图片中待检测的关节点有 m 个，则网络理想状态下会。此时heatmap大致长这样，同一张图上是不同人的同一类型关键点，如第一幅图，是两个人的鼻子的位置。本文中我们使用的是bottom up的多人骨骼点检测算法——higher hrnet。
2021深度学习团队项目：基于忍者龟主题的龟颈预防研究
综上所述，该深度学习项目不仅展示了如何将先进的人工智能技术应用于日常生活中的健康问题，还体现了跨学科融合的特点——将医学知识、人机交互设计与机器学习算法有机结合。它不仅仅是一个技术演示，更是一种面向...
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