1.MoveNet-谷歌轻量级人体姿态估计算法

MoveNet-谷歌轻量级人体姿态估计算法

       MoveNet

       Google提供的算e算在线演示：storage.googleapis.com/...

       MoveNet 是一个 Bottom-up estimation model， 使用heatmap。法源法

       网络架构

       主要分为三个部分：Backbone、算e算Header、法源法eclipse插件查看源码PostProcess

       - Backbone：Mobilenetv2 + FPN

       - Header：输入为Backbone的算e算特征图，经过各自的法源法卷积，输出各自维度的算e算特征图。共有四个Header：分别为Center、法源法KeypointRegression、算e算KeypointHeatmap、法源法Local Offsets

       - Center：[N,算e算基于android的考勤源码 1, H, W], 这里1代表当前图像上所有人中心点的Heatmap，可以理解为关键点，法源法只有一个，算e算所以通道为1。法源法提取中心点两种方式：

       - 一个人所有关键点的算e算算术平均数。

       - 所有关键点最大外接矩形的spring源码深度解析鲁班中心点。（效果更好）

       - KeypointHeatmap：[N, K, H, W] N：Batchsize、K：关键点数量，比如。H、W：对应特征图的ftp怎么上传视频源码大小，这里输入为$ \times $ , 降采样四倍就是$\times $ 。代表当前图像上所有人的关键点的Heatmap

       - KeypointRegresssion：[N, 2K, H, W] K个关键点，坐标用$x, y$表示，那么就有2K个数据。这里$x,js动态生成html源码 y$ 代表的是同一个人的关键点对于中心点的偏移值。原始MoveNet用的是特征图下的绝对偏移值，换成相对值（除以转换到0-1），可以加快收敛。

       - LocalOffsets：[N, 2K, H, W] 对应K个关键点的坐标，这里是Offset，模型降采样特征图可能存在量化误差，比如分辨率下x = 0 和 x= 3映射到分辨率的特征图时坐标都变为了0；同时还有回归误差。

       损失函数

       KeypointHeadmap 和 Center 采用加权MSE，平衡了正负样本。 KeypointRegression 和LocalOffsets 采用了 L1 Loss。 最终各个Loss权重设置为1:1:1:1

       参考文献快速开始

       全流程引导进行项目生成，实现数据生成、训练、测试一体化

       解压数据集配置项目环境训练测试

       进入config.py 修改配置文件，修改测试路径。

       测试结果Heatmap导出模型

       个人介绍

       姓名： 芦星宇 学校： 江苏科技大学 人工智能专业 本三 研究方向：姿态估计、图网络、异常检测 Github： github.com/Xingyu-Roman...