RMPE: Regional Multi-person Pose Estimation
alphapose系统是以RMPE区域多人姿态估计为框架的多人姿态估计系统。复杂环境中的多人姿态检测是非常具有挑战性的,现在最好的人体检测算法虽然已经得到了很好的效果,但是依然存在一些错误,这些错误会导致单人检测任务(SPPE)失败,尤其是那些十分依赖人体框检测结果的。
背景
当前姿态估计主流为两种方法,第一种是两步法,先检测人体边界盒,再单独估计一个盒子内部的姿态,另一种是基于部分的框架,单独估计人体的各个部分,再将这些部分分给各个人,这种方法失去了全局意识。RMPE采用了自顶向下的方法,在两步法的基础上进行了改进来解决问题,最大化SPPE的作用。
框架
RMPE框架主要包含三个部分——SSTN,PGPG,NMS。SSTN主要是解决生成的姿态不够精确的问题。SSTN能够自动调节输入SPPE的图像,再将估计的姿态输出回原空间。主要任务就是在不怎么准确的bounding box中提取高质量的单人姿态。PGPG是由姿态引导的样本生成器, 学习不同姿态下人体检测器的输出分布,模拟人体边界盒的生成,用来增强训练数据。NMS是一个非极大值抑制器,用来消除冗余姿态。
RMPE应用实验中将人体边界框在长宽方向上延长30%,确保将整个人完整的框起来。经过STN网络将延伸过的图像进行仿射变换,生成一个比较精确的、适合SPPE的输入,把SPPE的输出经过SDTN进行反向变换,把坐标变换回原来的坐标系中,完成识别过程。最终再经过NMS进行改进,消除冗余,得到最终姿态。
SSTN:STN接受一个由定位网络生成的参数θ,通过2D仿射运算生成一个更适合输入SPPE的区域,SPPE输出的姿态形成于STN输入的图像中,再通过SDTN返回原图坐标中,SDTN所需要的参数γ由STN传送过来的θ得到。
Parallel SPPE:在训练阶段添加一个Parallel SPPE分支,在测试阶段会去除。通常SDTN的补偿会使网络产生更少的错误,从而产生局部最小值,而这些错误是训练STN所必须的。Parallel SPPE相当于一个正则化器,避免局部最小值的出现。正则化防止过拟合,过拟合是指学习的太彻底,将误差也学习进去了。
PGPG:为了使SSTN+SPPE能够适应检测出来形状奇怪的检测结果,我们已经有了每一个人的真实位置和检测出来的定位框,我们可以通过他们一致的样本生成一个大样本的训练集。通过这种技术,我们可以进一步提高系统的性能。
Parametric Pose NMS:在定位过程中不可避免会出现冗余现象,一个人体检测出多个姿态。对一个人的姿态P,有m个关节点,其中k和c表示坐标位置和置信度分数。将有最高置信度的姿态作为参考,也就是估计值和总体参数在允许大误差范围内概率大的。靠近它的姿态通过消除标准消除,重复执行直至只剩一个姿态。
实验
实验:将以RMPE为框架的人体姿态识别系统在MPII数据集上进行实验,将3844张图片进行训练,将1758张进行测试,存在遮挡和重叠现象。
结果:在MPII数据集中,在识别困难的关节比如手腕、手肘、脚踝和膝盖的平均精度实现了72 mAP,比之前的最先进的结果高3.3 mAP。通过使用更强的人体探测器和姿态估计器,我们可以进一步实现82.1 mAP,其中比之前的最佳结果高4.6 mAP。
RMPE: Regional Multi-person Pose Estimation相关推荐
- 重新思考人体姿态估计 Rethinking Human Pose Estimation
Newly updated by 2019-11-19 ----------------------------------------------------- 浅谈:2D人体姿态估计基本任务.研究 ...
- Survey on Human pose estimation
关于姿态估计的一些总结,GitHub上搬的 Papers 2D Pose estimation Learning Human Pose Estimation Features with Convolu ...
- Paper:《Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields ∗》翻译并解读
Paper:<Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields ∗>翻译并解读 目录 Abstract ...
- 姿态估计之2D人体姿态估计 - (OpenPose) Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
参见 论文翻译 || openpose _magic_ll的博客-CSDN博客 OpenPose论文解读-- 知乎 Openpose论文阅读 _jmucvm的博客-CSDN博客 openpose论文总 ...
- 人体姿态估计--RMPE: Regional Multi-Person Pose Estimation
RMPE: Regional Multi-Person Pose Estimation ICCV2017 Code is based Caffe and Torch! https://github.c ...
- 《RMPE: Regional Multi-Person Pose Estimation》论文阅读之AlphaPose
首先附上论文地址:https://arxiv.org/pdf/1612.00137.pdf 作者:上海交大卢策吾老师组 AlphaPose项目地址:https://github.com/MVIG-SJ ...
- CV之PoseEstimation:Pose Estimation人体姿态估计(AI识人,OpenPose+DeepCut+RMPE+Mask RCNN)的简介、案例应用之详细攻略
CV之PoseEstimation:Pose Estimation人体姿态估计(AI识人,OpenPose+DeepCut+RMPE+Mask RCNN)的简介.案例应用之详细攻略 目录 Pose E ...
- Human Pose Estimation人体姿态估计综述调研
给定一幅图像或一段视频,人体姿态估计就是去恢复其中人体关节点位置的过程. 数据集 LSP 地址:http://sam.johnson.io/research/lsp.htm 样本数:2K 关节点个数: ...
- Human Pose Estimation姿态估计调研
介绍 姿态估计的目标是在RGB图像或视频中描绘出人体的形状,这是一种多方面任务,其中包含了目标检测.姿态估计.分割等等.有些需要在非水平表面进行定位的应用可能也会用到姿态估计,例如图形.增强现实或者人 ...
- 简阅人体姿态估计深度学习方法-simpread-Human Pose Estimation Deep Learning Approach
What is Human Pose Estimation? Human Pose Estimation (HPE) is a way of identifying and classifying t ...
最新文章
- js 去掉地址栏内参数_JS获取网站地址栏URL中的参数值并转换成json对象
- python3 读写中文文件
- 爱上MVC~ajax调用分部视图session超时页面跳转问题
- blockchain 区块链200行代码:在JavaScript实现的一个简单的例子
- 最小帧长度的计算公式_网络工程师考试常用计算公式汇总(二)
- C++ 百炼成钢20
- 力扣反转字符串中的元音字母
- Firefox 66回归!修复多项臭虫相关问题
- java项目命令编译,打包,运行
- 在recovery模式下命令控制手机_安卓手机开机密码忘记,解锁教程
- 计算机网络使用双绞线连接时,计算机网络技术期末试卷A
- 为什么创业者要假装读过《从0到1》和《创业维艰》?
- C# 设置Excel 首行冻结窗口
- 阿里云服务器ECS测评
- 支付宝技术期末考:专业技术蓝军首次对外公开
- 【DB笔试面试608】在Oracle中,如何使用STA来生成SQL Profile?
- C# Aspose 操作Word书签
- Red Hat Enterprise Linux Server 7.4 安装方法
- 数字签名标准算法——DSA
- 【逻辑漏洞技巧拓展】————1、逻辑至上之各种酷炫姿势