标签:Convolutional 输出 原图 photo up 算法 wake machines Stage
2019年3月23日
这周从已有的二维图像姿态预测的算法出发,参考论文Convolutional pose machines的算法进行二维姿态预测,得出人体14个关节点的位置。
(S.-E. Wei, V. Ramakrishna, T. Kanade, and Y. Sheikh. Convolutional pose machines. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 4724–4732, 2016)
1.算法研究部分
cpm是CMU开源项目OpenPose的前身,目前在MPII竞赛single person中排名第七。
Pose estimation任务属于FCN的一种,输入是一张人体姿势图,输出n张热力图,代表n个关节的响应。
Pose estimation任务属于FCN的一种,输入是一张人体姿势图,输出n张热力图,代表n个关节的响应。
CPM网络结构如下图所示,X代表了经典的VGG结构,在每个stage末用1✖️1卷积输出heatmap,与label计算loss(中间监督)。
.Stage 1 input是原图,经过全卷机网络,输出是一个P+1层的2Dmap
Stage 2 input是 StageOutput做处理,并且加上 原图通过几层网络后的中层map。输出同上。
Stage t>2 类似2
(这里相加的话会有一些尺度问题,应该是ψ中操作了,但论文中没有解释ψ。)## 2.用
2.运行准备
环境:windows10+TensorFlow1.4.0+opencv+python3.5
(下载TensorFlow库费了不少劲)
下载官方models放进models/weigh文件夹下
修改几个DEMO_TYPE,输入图片
修改在cpu上运行
运行_cpm_body.py
结果还不错
下一步是提取出人物关节点的位置。
下周再接再厉。
标签:Convolutional,输出,原图,photo,up,算法,wake,machines,Stage 来源: https://blog.csdn.net/qq_38501611/article/details/88778505
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。