PoseC3D数据预处理

最新推荐文章于 2025-02-25 11:13:52 发布

原创

最新推荐文章于 2025-02-25 11:13:52 发布 · 455 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#前端 #数据库 #linux #机器学习

poseC3D需要根据以下配置文件进行数据预处理

test_pipeline = [
    dict(type='UniformSampleFrames', clip_len=48, num_clips=10),
    dict(type='PoseDecode'),
    dict(type='PoseCompact'

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

frank_jxust

关注关注

4
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

PoseC3D 基于人体姿态的动作识别新范式

一杯水果茶！足矣~

09-03

2642

PoseC3D 和 PoseConv3D 都是基于人体姿态的动作识别的论文，它们都使用了三维卷积网络来处理骨骼点转换后的热图堆叠，而不是使用图卷积网络来处理骨骼点序列。它们都在多个数据集上取得了很好的效果，超越了之前的基于 GCN 的方法。

posec3D训练自己的模型

重剑无锋博客

03-15

1636

我们这里修改为load-from。

参与评论您还未登录，请先登录后发表或查看评论

2022CVPR（PoseC3D）：Revisiting Skeleton-based Action Recognition

weixin_45662626的博客

12-03

3097

本文提出了一种新的基于骨架的动作识别方法PoseC3D，它**依赖于3D热图堆栈而不是图序列作为人体骨骼的基本表示**。与基于 GCN 的方法相比，PoseC3D 在学习时空特征方面更有效，对姿态估计噪声具有更强的鲁棒性，并且在跨数据集设置中更好地泛化。此外，PoseC3D可以处理多人场景，而不需要额外的计算成本，其特征在早期融合阶段可以很容易地与其他模式集成，这为进一步提高性能提供了很大的设计空间。

「深度学习一遍过」必修28：基于C3D预训练模型训练自己的视频分类数据集的设计与实现

闭关修炼——暂退

11-12

9251

本专栏用于记录关于深度学习的笔记，不光方便自己复习与查阅，同时也希望能给您解决一些关于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇开源项目代码：https://github.com/jfzhang95/pytorch-video-recognition 1 DownLoad or Clone Linux： git clone https://github.com/jfzhang95/pytorch-video-reco...

poseC3D代码结构

waiyayaya的博客

11-10

1929

复现代码

posec3d行为识别

03-18

好的，我需要帮助用户了解如何使用PoseC3D进行行为识别。首先，我需要先理解PoseC3D的基本信息。根据用户提供的引用[2]，PoseC3D是一种基于3D-CNN的骨骼动作识别方法，它使用3D热图体积作为输入，解决了GCN方法在...

PoseC3D人体动作识别

最新发布

06-06

### PoseC3D 人体动作识别的技术实现与...- **数据预处理**：确保输入视频的质量，并选择合适的姿态估计器以提高关键点提取的准确性。 - **场景适配**：部分动作类别可能需要结合物体或场景上下文进行判定[^2]。 ---

骨骼识别-复现PoseC3D

m0_63642362的博客

05-26

9020

转自AI Studio，原文链接：骨骼点动作识别-基于Paddle复现PoseC3D - 飞桨AI Studio Revisiting Skeleton-based Action Recognition（PoseC3D 基于Paddle复现） 1.简介人体骨架作为人类行为的一种简洁的表现形式，近年来受到越来越多的关注。许多基于骨架的动作识别方法都采用了图卷积网络（GCN）来提取人体骨架上的特征。尽管在以前的工作中取得了积极的成果，但基于GCN的方法在健壮性、互操作性和可扩展性方面受到限制

pyskl：hrnet+fastercnn+c3d

qq_41106932的博客

11-04

1942

热图输出一共十七个关键点，每一个关键点一个channel，格式为（C，T，H，W）(N为设置的batch_size数32，T为设置的clip_len为32，即随机抽取32帧，H,W设置为56)，即（32，17，32，56，56）.Input：NCHW(17,32,56,56),(17个通道数，32帧，56x56的大小)，C3D训练使用3个stage，base_channel为32。对视频抽帧（使用decoder对视频进行均匀抽帧），检测视频帧中的人物，根据视频帧中的人物进行人体关键关键点的检测。

CVPR 2022 Oral｜港中文开源PoseC3D：基于3D-CNN的骨骼动作识别框架

阿木寺的博客

04-18

7966

点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达转载自丨极市平台作者丨Kenny@知乎来源丨https://zhuanlan.zhihu.com/p/493374779导读PoseC3D是一种基于 3D-CNN 的骨骼行为识别框架，同时具备良好的识别精度与效率，在包含 FineGYM, NTURGB+D, Kinetics-skeleton 等...

MMAction2使用PoseC3d训练自己的数据集（数据集构建+训练）

lcrdadas的博客

11-28

5449

MMAction2官方给的基于骨骼点的动作识别数据集构建代码ntu_pose_extraction.py及其数据集构建过程说的比较简单，并且没有给出多个pickle文件合并的代码，这里为了方便，贴出这个代码。对F:\mmaction2\tools\data\skeleton\ntu_pose_extraction.py进行修改来批量提取视频的骨骼点，修改main处的文件夹路径，类别数，各类别名称即可。建立如图格式的结构，每个文件夹名是类别，每个文件夹里放对应类别的视频。mmdetection安装参考。

使用PoseC3D方法训练自己的数据集（一）

m0_59670748的博客

06-08

2053

输入的数据主要包含两部分，以“split”为关键字的字典和以“annotation”为关键字的字典，其中split还有两个子键，分别是“xsub_train”和“xsub_val”，“xsub_train”对应的值为训练集的视频名称列表，同理“xsub_val”对应的值为验证集的视频名称列表。

[基于骨架的动作识别] PoseC3D (2021)

qq_17030183的博客

01-23

7119

背景基于骨架的动作识别 GCN的局限性鲁棒性：GCN的识别能力很受骨骼点坐标点平移的影响互操作性：之前研究表明，不同模态（RGB、光流、骨架）是互补的，不同模态的结合能提升识别的性能。GCN很难与其他模态融合可扩展性：GCN将每个人的单一骨骼点视为一个节点，当人数增加时，GCN的复杂度线性增加整体框架姿态估计：人体骨骼点坐标热图生成 PoseC3D：分类热图生成根据骨骼点坐标，使用高斯核生成，每帧生成K✖️H✖️W的热图，然后将T帧的堆叠得到整个序列的3D 热图，维度为K✖️T✖

动作识别（二）复现C3D网络

QIANFANGshiwo的博客

08-05

3485

动作识别（二）——复现C3D网络一、本代码运行环境二、代码目录解释三、可视化日志文件步骤四、注意事项五、C3D训练网络部分代码六、训练可视化结果七、第一步进行测试八、第二步进行训练九、致谢和说明十、数据和源码地址本代码是本人在前人的基础上，复现了《Learning Spatiotemporal Features with 3D Convolutional Networks》此篇文献。本代码较原文最大的区别在于，数据集本人只使用了UC101的前两类，其余基本是一致的。现在分享在这里，主要是供大家学习和交

PoseC3D模型的关注点

qq_34425255的博客

05-17

542

分析：那就是如果想要使用PoseC3D这个模型，首先需要清楚一点PoseC3D这个模型仅接受Skeleton作为后续输入。有点类似于第一种办法通过人体姿态估计算法来构建，第二种办法通过深度相机内部集成了人体姿态估计算法自动就会生成关键点数据。所以这个时候有两种办法，第一种办法是从RGB视频数据构建，第二种办法是从现有的关键点数据构建。考虑到成本，我们可以采取第一种办法。

poseC3D本地部署与推理

weixin_43807435的博客

02-25

621

1.cuda环境安装2.创建虚拟环境3.pytorch安装根据自己的cuda版本与系统信息在选择合适的安装命令。4. 安装 MMdetection 和相关依赖注意mmcv-full需要与cuda版本和pytorch版本匹配5.安装 PySkl6.验证安装如果pyskl版本太老可以安装mmaction2代替7.推理代码7.1视频处理与姿态估计7.2PoseC3D 推理7.3可视化结果7.4主函数。

基于骨骼关键点的动作识别（OpenMMlab学习笔记，附PYSKL相关代码演示）

实力派，无需多言！

09-08

3784

不适合Skeleton识别的例子：有许多个动作类别为eating sth，那就只能通过识别sth来进行动作识别，此时与Skeleton无关。（2）

windows安装MMDetection 及基于pyskl的PoseC3D训练

m0_63977857的博客

10-14

2756

因为要跑PoseC3D，训练自己的数据集，需要安装MMDetection，不得不说真的好难安装啊，写一下自己踩的坑。先说一下我安装的版本，python==3.8，pytorch==3.8.1，mmcv=1.4.0，mmcv-full==1.4.0，mmdet==2.23.0,mmpose==0.28.1。

linux下 pyskl环境（PoseConv3D）的配置--从零开始的保姆级教程

sprouting_99的博客

10-20

3154

我这里选用https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2022.05-Linux-x86_64.sh的anaconda。选用最PoseConv3D以及数据集light_gym，打开pyskl/configs/posec3d/c3d_light_gym/joint.py。另外，如果安装poseval失败，参考以上博文使用其他方法安装后还要把requirements.txt里的poseval这一项删除，重新运行一次。