[深度学习从入门到女装]High-Resolution Representations for Labeling Pixels and Regions

最新推荐文章于 2025-06-03 19:47:27 发布
最新推荐文章于 2025-06-03 19:47:27 发布
阅读量4k 收藏 8
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 深度学习
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。
本文链接：https://blog.youkuaiyun.com/py184473894/article/details/90452554
本文介绍了一篇使用HRNet进行语义分割和目标检测的论文。指出low-resolution net不适用于目标检测和语义分割，目前获取high-resolution的网络有两种方式，HRNet采用第二种思路。还介绍了HRNet的网络结构及语义分割网络结构的处理步骤。

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

论文地址：High-Resolution Representations for Labeling Pixels and Regions

一篇使用HRNet进行语义分割和目标检测论文
HRNet=high resolution Net

low resolution net就是用于分类的网络，通过stride逐步减少resolution，获取语义信息，最终得到分类
但是这种low-resolution net对于目标检测或者语义分割来说是不可兼容的，因此语义分割最终需要的结果是high-resolution的，也就是每个pixel的class
因此，目前获得high-resolution的网络有两种方式
1、第一种是类似于encoder-decoder的网络，如U-net，SegNet等，就是先使用down-sampling降低resolution获取语义信息，再通过upsample增加resolution获得空间信息
2、第二种是整个网络都保持high-resolution，并且使用平行线路来得到low-resolution，如GrideNet

HRNet就是使用第二种思路，使用平行的low-resolution和high-resolution进行concate得到high-resolution的表示
网络结构如下图所示
在这里插入图片描述

在这里插入图片描述
上图中的a为multi-resolution group conv，也就是简单的对于group conv的拓展，将input channels分为多个subset然后进行常规conv
上图中的b为multi-resolution conv
上图中的c为常规conv，可以看到常规conv可以将input channels和outputs channels都分为不同的subsets，然后进行一个全连接，每个连接是一个常规的conv

在这里插入图片描述
上图中的a为HRNetV1的多resolution融合的模块，可以看到，多个resolution的feature map作为输入，最终只得到了一个high-resolution，不可避免的丢失了一些low-resolution的信息
上图中的b为用于语义分割的block，将多个resolution进行concate得到一个最终的输出
上图中的c为用于目标检测的block，因为目标检测需要多个resolution的feature map，因此对于融合后的feature map再进行dowmsampling

语义分割网络结构

1、首先使用两个stride=2 的33conv对原图进行处理，将分辨率降为1/4
2、使用图1中的网络进行多个resolution的平行conv，channels数分别为C,2C,4C,8C
3、最终使用11的卷积对多个resolution进行融合得到15C的channels
4、最终的feature map进行4次bilinear upsampling得到最终结果

【论文阅读纪录】High-Resolution Representations for Labeling Pixels and Regions（HRNetV2）
fish_like_apple的博客
09-08 1357
前言： { 最近在github上看到了一个语义分割的汇总[1]，上面有很多论文我都还没看过，这次我打算选一个比较新的来读读看。 这次选择的论文是2019年的High-Resolution Representations for Labeling Pixels and Regions [2]。 } 正文： { 在论文的第一节，作者介绍了目前一些高分辨率风格...
High-Resolution Representations for Labeling Pixels and Regions论文阅读翻译
深度检测的博客
08-14 668
High-Resolution Representations for Labeling Pixels and Regions论文阅读翻译 目录：High-Resolution Representations for Labeling Pixels and Regions论文阅读翻译一、Abstract二、Introduction 论文下载地址：点击此链接跳转. 这是博主自己在github整理的目标检测方向论文的合集，应该算比较全，目前2020ECCV持续更新中，即将更新：2020IJCAI合集，欢迎下载…
【人脸关键点检测】High-Resolution Representations for Labeling Pixels and Regions
猫猫与橙子的博客
02-09 916
论文链接：https://arxiv.org/pdf/1904.04514.pdf 工程链接：https://github.com/maomaoyuchengzi/HRNet-Facial-Landmark-Detection 《High-Resolution Representations for Labelin...
【论文笔记】High-Resolution Representations for Labeling Pixels and Regions
最新发布
Word_And_Me_的博客
06-03 1453
【题目】：High-Resolution Representations for Labeling Pixels and Regions【引用格式】：Sun K, Zhao Y, Jiang B, et al. High-resolution representations for labeling pixels and regions[J]. arXiv preprint arXiv:1904.04514, 2019.【网址】：https://arxiv.org/pdf/1904.04514【开源代码】：
HRNetV2：《High-Resolution Representations for Labeling Pixels and Regions》
yuansiming0920的博客
03-08 1573
论文地址：https://arxiv.org/pdf/1904.04514.pdf 1 Background 深度学习代表是很强的并且在许多视觉任务上实现了很好的结果。目前主要的表示分为两类：用于图像分类的低分分辨率表示，对其它视觉问题重要的高分辨率表示，比如语义分割、人体姿态估计、目标检测等等。高分辨率的表示仍然存在很多问题没有解决，因此吸引了很多人的关注。 解决高分辨率表示主要有两种方式：（1）从低分辨率中来恢复得到高分辨率。（2）从高分辨卷积中获得高分辨率表示并且从平行的低分辨率卷积中来加强高分辨表.
High-Resolution Representations for Labeling Pixels and Regions
09-11
HRNet-High-Resolution Representations for Labeling Pixels and Regions.pdf
【HRnet】High-Resolution Representations for Labeling Pixels and Regions论文及代码理解
mjiansun的专栏
07-31 4881
目录 安装环境 下载数据 执行训练文件 详解训练代码（以下我只讲关键部分，请自行对照源码进行理解） cfg参数解析 logger相关设置 cuda相关设置 创建模型（这里稍后有一段详解，就先一笔带过） tensorboards保存模型 这段我也不清楚为什么要这么做(备份嘛？) 读取数据 损失函数 加入损失构筑新模型 优化器 迭代计数+模型恢复 模型训练和验...
HRNet：高分辨率表示在像素与区域标注中的应用
"High-Resolution Representations for Labeling Pixels and Regions" 本文主要探讨的是高分辨率表示在像素和区域标注中的应用，特别提到了一种名为HRNet（High-Resolution Network）的深度学习模型。HRNet在人体...
目标检测经典论文——R-CNN论文翻译：Rich feature hierarchies for accurate object detection and semantic segmentation
bigcindy的博客
07-27 5656
Rich feature hierarchies for accurate object detection and semantic segmentation——Tech report (v5) 用于精确物体定位和语义分割的丰富特征层次结构——技术报告（第5版） Ross Girshick Jeff Donahue Trevor Darrell Jitendra Malik UC Berkeley 加州大学伯克利分校 {frbg,jdonahue,trevor,malikg}@...
语义分割角度看HRNetV2
weixin_42143615的博客
12-02 2686
论文阅读笔记：《High-Resolution Representations for Labeling Pixels and Regions》 论文下载地址：https://arxiv.org/pdf/1904.04514.pdf 论文代码地址：https://github.com/HRNet/HRNet-Object-Detection 一、论文简介 高分辨率表示学习在许多视觉问题（例如姿势估计和语义分割）中起着至关重要的作用。最近开发用于人体姿态估计的高分辨率网络（HRNet）通过并行连接高到
【今日CV 计算机视觉论文速览 第98期】Wed, 10 Apr 2019
TomRen
04-11 3844
第98期 视觉论文速览 通用检测器 多模态风格迁移 着装人体建模 点云去噪 投影表面补偿
Deep High-Resolution Representation Learning for Human Pose Estimation论文解析
ls83776736的博客
02-27 9401
High-Resoultion Net(HRNet)由微软亚洲研究院和中科大提出，发表在CVPR2019。 模型的主要特点是在整个过程中特征图（Feature Map）始终保持高分辨率，这与之前主流方法思路上有很大的不同。在HRNet之前，2D人体姿态估计算法是采用（Hourglass/CPN/Simple Baseline/MSPN等）将高分辨率特征图下采样至低分辨率，再从低分辨率特征图恢复至...
March 11-Deep High-Resolution Representation Learning for Human Pose Estimation-paper reading
weixin_39434589的博客
03-11 406
https://blog.youkuaiyun.com/ls83776736/article/details/87993726 这篇文章的博主也是对于此文做了简单的介绍 论文原文下载 下面这幅图是本文提出的HRNet 的模型的主要结构。 这个模型和以前的模型不同，在模型中图像始终保持着高分辨率，但是平行的在subnetworks中，在向下的操作中，在做lower-resolusion，只是最后会讲这些与...
HRNet论文笔记
xiaolouhan的博客
05-12 1万+
HRNet：Deep High-Resolution Representation Learning for Human Pose Estimation[github]（CVPR2019）这是一篇state-of-the-art级别的论文； 本文为精读翻译稿，其中也会有些知识点讲解和笔记跳转。
HRNet：Deep High-Resolution Representation Learning for...（论文解读二十五）
一一
02-28 1454
Title： Deep High-Resolution Representation Learning for Human Pose Estimation（HRNet） Code ：PyTorch From：CVPR 2019 Note data：2020/02/28 Abstract：提出一个可以从单张自然图像学习的非条件性生成式模型SinGAN。 ...
姿态估计——HigherHRNet：Scale-Aware Representation Learning for Bottom-Up Human Pose Estimation
乐亦亦乐的博客
11-08 1701
github：https://github.com/HRNet/HigherHRNet-Human-Pose-Estimation Abstract 自底向上的人体姿态估计方法由于尺度变化的挑战，在预测小个体的正确姿态方面存在困难。在这篇论文中，我们提出了HigherHRNet。一个新的自下而上的方法，使用高分辨率的特征金字塔学习scale-aware表达。多分辨率监督用于训练和多分辨率聚合用于推理，该方法能够解决自下而上多人姿态估计中的尺度变化挑战，并更精确地定位关键点，...
【论文阅读】HRNetV2论文笔记
白纸的专栏
07-10 1万+
不放过每一个学习的机会，关注微信公众号：AI算法爱好者 或扫描二维码： Titile: High-Resolution Representations for Labeling Pixels and Regions 论文地址：https://arxiv.org/pdf/1904.04514.pdf 代码地址：https://github.com/HRNet/HRNet-Object-Detec...
理解卷积神经网络CNN中的特征图 feature map
热门推荐
denghe优快云的博客
09-05 5万+
         一直以来，感觉 feature map 挺晦涩难懂的，今天把初步的一些理解记录下来。参考了斯坦福大学的机器学习公开课和七月算法中的机器学习课。        CNN一个牛逼的地方就在于通过感受野和权值共享减少了神经网络需要训练的参数的个数。总之，卷积网络的核心思想是将：局部感受野、权值共享（或者权值复制）以及时间或空间亚采样这三种结构思想结合起来获得了某种程度的位移、尺度、形变不...
深度学习入门论文集锦：从概念到具体算法和框架
首先，从标题《Deep Learning深度学习入门论文》和描述中可以看出，文档涉及深度学习的基础知识、分布式计算以及具体算法的介绍。以下是对各个部分知识点的详细阐述： 1. 概述类论文： - 2013年的“Representation ...
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