锐客网

  1. 首页 > 睿知 > >

openpose数据分析

经验分享睿知

人体姿态估计- OpenPose算法是计算机视觉中一个非常基本的问题 。基于检测到的关节点和关节连通区域，使用greedy推理算法可以将这些关节点快速映射到不同的个体，损失函数是保证网络收敛的最重要的关键点，所以作者对两个支路的损失函数都采用了L2loss 。

1、与姿态、动作相关的数据集介绍参考:姿势论文整理:经典项目:姿势识别和动作识别性质不同 。动作识别可以认为是人体定位和动作分类的任务，而手势识别可以理解为检测关键点和给关键点分配id的任务(多人姿势识别和单人姿势识别任务) 。由于数据采集设备的限制 ， 目前大部分的姿态数据都是通过采集公开的视频数据来截取的，因此2D数据集相对于3D数据集来说比较容易获得 。
【openpose数据分析】
2、人体姿态估计--OpenPose算法解析人体姿态估计是计算机视觉中一个非常基本的问题 。从名称上看，可以理解为对姿态(关键点，如头、左手、右脚等)的位置估计 。)的“人体” 。人体姿态估计可以分为两种思路:(1)“自上而下”，即先检测人体区域，再检测人体在该区域的关键点 。现有自底向上方法的缺点是:(1)没有利用全局上下文的先验信息，即图片中其他人的身体关键点；(2)算法复杂度太高，无法将关键点对应到不同的字符 。
基于检测到的关节点和关节连通区域 ， 使用greedy推理算法可以将这些关节点快速映射到不同的个体 。损失函数是保证网络收敛的最重要的关键点，所以作者对两个支路的损失函数都采用了L2loss ， 训练时 ， 每个阶段都会产生损耗，以避免梯度的消失；只有最后一层的输出用于预测 。

    推荐阅读


    上一篇：酷狗音乐 案例分析,音乐酷狗下载歌曲

    下一篇：e prime数据分析,赛马数据分析软件