邹小驴

【代码】exlpose。

OChuman 是一个仅用于测试的数据集。CONTRIBUTING.md 中指示的预提交或 linting 工具用于修复潜在的 lint 问题。我已阅读并遵循 CONTRIBUTING.md 中指示的工作流程来创建此 PR。完整的单元测试涵盖了新功能。如果没有，请添加更多单元测试以确保正确性。单元测试涵盖了错误修复，应在单元测试中添加导致错误的案例。已签署 CLA，所有提交者都已在此 PR 中签署 CLA。添加一些关于 ochuman + hrnet 的配置。文档已相应修改，包括文档字符串或示例教程。

【代码】关于crowdpose出现TypeError: ‘numpy.float64‘ object cannot be interpreted as an integer。

【代码】hrformer。

首先出现之后开启了我的找错误之旅1、重新建立环境1）mmpose的建立3）出现。

这个可能就是自身bug。发现的原因是，我终端跑lite-hrnet时候，出现这个问题，但是，在pycharm里面就不是，因此我就发现这个可以用如下代码方案解决。出现ModuleNotFoundError No+module+named+'models'问题，这个问题不是同时建立mmcv和mmcv-full的问题。建立完后如下环境install过不去，主要是poseval这个文件。在此记录我坑，进攻自己查看，遇到问题多去mmcv查看。采用他给的方法如下，一直install过不去。

Hi @zysqlmn020928 , you could try to install mmcv-full with .

2.关于建立mmcv问题，我按照它的第一个方法建立不起来，所以我采用的是先下载mmcv这个包，然后按照需求建立的版本：pip install mmcv=1.5.3。艾玛鼓秋了一天，各种转换都没过去mmcv，我发现第一种指定cuda版本那个方法怎么都过不去，爱最后还是下载包，然后安装，最后成功了，在此记录一下悲惨且激动的过程。3.关于建立需求有一个optinal.txt，怎么都过不去，就先下载这个包，然后找到这个环境包，按要求完成pip install。

自己按照自己的模型内容编写推理速度。

Location-Free Human Pose Estimation 链接：https://arxiv.org/pdf/2205.12619.pdf链接：Learning Local-Global Contextual Adaptation for Fully End-to-End Bottom-Up Human Pose Estimation | OpenReview Lite Pose: Efficient Architecture Design for 2D Human Pose Estimatio

【代码】可视化成为热力图。

网上的其他博客可视化特征图谱无法实现自己训练的网络可视化特征图谱参考博客：可视化pytorch网络特征图_hello_dear_you的博客-优快云博客_pytorch特征图可视化

no

阅读此篇文章的感触：首先针对ACM提出两种类型：DCM和GCM1. 首先介绍ACM的组成：① 提出------adaptive context pooling, 包括一个1*1操作和softmax，以及transpose操作②context shifting, 就是将context pooling特征图谱经过两个 1 × 1 convolutions with non-linear activation（1*1+BN+ReLu+1*1+BN+ReLu）和sigmoid函数③ 将求得的shift通道权重与输入

无

Rethinking the Heatmap Regression for Bottom-up Human Pose Estimation论文地址：https://arxiv.org/abs/2012.15175代码地址：https://github.com/greatlog/SWAHR-HumanPose

函数光滑化杂谈：不可导函数的可导逼近 - 科学空间|Scientific Spaces关于人体姿态估计是one-hot解析：我一开始不是很理解人体姿态估计到底哪个部分是被看成是onehot形式，其实是在预测的过程，当我们训练完成，形成热图后，我们需要推理阶段预测热图最大位置作为我们最终的坐标点，就是这里是onehot形式，每一个热图是一个关键点的特征概率图谱，我们需要找到最大概率值得位置，比如最大位置是在[65，64]，那么经过onehot后将最大位置变成1，其余位置是0.1.首先了解什么是函数光滑

作者：学术杨老师链接：https://www.zhihu.com/question/441994439/answer/1705950554来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。这个问题让我想起了我第一次发表论文的经历。当时一稿被拒，申诉之后主编让我加算例之后重新投稿，当时的经历写在这个答案里面了：重新投稿之后遇到了一位非常认真负责的审稿人，我至今特别感谢他。他的审稿意见有十一页，里面绝大多数是关注英语的语法错误的意见，我对这些意见十分看重。这篇意见基.

期刊名 中科院分区 JCR分区 大小方向 难易程度 审稿周期 是否在预警名单中 是否顶刊 是否花钱 SIGNAL PROCESSING-IMAGE COMMUNICATION Q3 Q2 工程技术-工程：电子与电气 容易 平均7.5个月 否 否 COMPUTER VISION AND IMAGE UNDERSTANDING Q3 Q2 计算机：人工智能 容易 网友分享经验.

import torchimport torch.nn as nnimport torch.nn.functional as F def heatmap2coord(heatmap, topk=9): N, C, H, W = heatmap.shape score, index = heatmap.view(N,C,1,-1).topk(topk, dim=-1) coord = torch.cat([index%W, index//W], dim=2) re..

mmdetection COCO test-dev测试_深度检测的博客-优快云博客_coco test-dev

2020 Pose Estimation人体骨骼关键点检测综述笔记（有空更新） - 知乎（下载地址在评论里面）

from __future__ import absolute_importfrom __future__ import divisionfrom __future__ import print_functionimport osimport loggingimport torchimport torch.nn as nn# import utilsdef conv3x3(in_plane,out_plane,stride=1): return nn.Conv2d(in_.

参考文献：https://blog.youkuaiyun.com/weixin_38090070/article/details/103443423?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-9.control&dist_request_id=&depth_1-utm_source=distribute.pc_relevant.non

网络结构图：就图上分析：stage_1网络结构：4个residual unit，每一个residual unit都是与resnet_50中的bottneck相同，如下图的右边的那个，一共有4个右边那个bottneck。其中channel是64.为了将最后输出的featuremap channel变成hrnet32，或者48中的32 or48 需要后面接一个3*3卷积。stage_2网络结构：1）由4个exchange blocks组成，其中每一个exchange blocks

homepagehttps://aiuai.cn/aifarm63.html

测试获得六尺度的注意点 ：1、六个尺度是对原图像，就是一开始的图像未被变成256*256的改变。2、在转换的过程中，需要得到仿射变换矩阵。--------------------------------------------------------------------------------- Cropping-------这个函数也是多尺度测试会用到的-----------------------------------------------------------------.

这个是人体姿态估计旋转角度。旋转中心（0，src_w * -0.5），旋转角度是：rot_rad。其中：src_w=scale*200（人体在原图中所占的高度，也就是这么一个高度就可以将人包围住）rot_rad = np.pi * rot / 180src_dir = get_dir([0, src_w * -0.5], rot_rad)...

import numpy as npx = np.array([1, True, False])b = x.astype(int)print(b)[1 1 0]这个函数是在人体姿态估计中获取最大热图值使用到#######这里的目的是将1*4096的预测热图值的矩阵变成64*64热图尺寸的形式 preds[:, :, 0] = (preds[:, :, 0]) % width preds[:, :, 1] = np.floor((preds[:, :, 1]) / w.

在水平翻转的时候，可以通过image.transpose(PIL.Image.FLIP_LEFT_RIGHT)来进行图像上的水平翻转，但是label并不能和翻转后的图片一一对应，因此需要修改label的横坐标位置。方法1：通过计算中心点的x坐标来更新#计算中心点anno_centers=(anno[:,0]+anno[:,2])/2#对于中心点进行水平翻转anno_centers=1-anno_centers#计算原来的xmin,xmax的距离anno_widths=anno[:,2

https://blog.youkuaiyun.com/murdock_c/article/details/104804038?utm_medium=distribute.pc_relevant.none-task-blog-title-1&spm=1001.2101.3001.4242方法RSB：首先看RSN网络，RSN网络中是由N个RSB串联组成，在RSB中，所有的featuremap level都是相同的，所以在RSB中执行的都是intra-level feature fusion。RSB具体来说，

错误：Given groups=1, weight of size [256,1024,1, 1], expected input[1, 256, 64, 64] to have 1024，但是通道数是256解决问题：将变通道代码不在for循环即可，就解决此问题了。

https://blog.youkuaiyun.com/karen17/article/details/95954528

https://github.com/Naman-ntc/Pytorch-Human-Pose-Estimation/blob/master/models/PoseAttention.py

def get_max_preds(batch_heatmaps): ''' get predictions from score maps heatsmaps numpy.ndarray([batch_size,num_joints,height,width]) ''' batch_size=batch_heatmaps.shape[0] num...

1、这是选取从热图变成坐标的方法def get_max_preds(batch_heatmaps): ''' get predictions from score maps heatsmaps numpy.ndarray([batch_size,num_joints,height,width]) ''' batch_size=batch_heatma...

https://blog.youkuaiyun.com/qq_21033779/article/details/84840307?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task一.综述：人体骨骼关键点检测已经非常成熟了，参考曹哲大神的论文，可以知...

https://blog.youkuaiyun.com/york1996/article/details/81876886

make_grid的作用是将若干幅图像拼成一幅图像。其中padding的作用就是子图像与子图像之间的pad有多宽。nrow是一行放入八个图片。 这是padding为0的结果 这是padding为2的结果...