MMPose
Posted Arrow
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了MMPose相关的知识,希望对你有一定的参考价值。
MMPose
1. 简介
- MMPose代码
- MMPose文档
- CoCo Keypoint排行榜
- MMPose:是一个基于PyTorch的开源的姿态估计工具箱
- 工作环境要求:
- PyTorch 1.3+
1.1 主要功能
- 支持各种主流的人体姿态估计(2D多人姿态估计、2D Hand姿态估计、133个KeyPoints的人体姿态估计、3D人体网格恢复)
- 更高的效率的准确率:实现多个先进的深度学习模型、包括top-down和bottom-up方法
- 与流行的codebase相比,有更快的训练速度和更高的准确率
- 支持多种数据集:COCO, AIC, MPII, MPII-TRB, OCHuman等
- 精心的设计,测试和文档
1.2 模型支持
1.2.1 支持的骨干网络(用于特征提取)
- AlexNet (NeurIPS’2012)
- VGG (ICLR’2015)
- HRNet (CVPR’2019)
- ResNet (CVPR’2016)
- ResNetV1D (CVPR’2019)
- ResNeSt (ArXiv’2020)
- ResNext (CVPR’2017)
- SCNet (CVPR’2020)
- SEResNet (CVPR’2018)
- ShufflenetV1 (CVPR’2018)
- ShufflenetV2 (ECCV’2018)
- MobilenetV2 (CVPR’2018)
1.2.2 支持的人体姿态估计方法
- DeepPose (CVPR’2014)
- Wingloss (CVPR’2018)
- CPM (CVPR’2016)
- Hourglass (ECCV’2016)
- SimpleBaseline (ECCV’2018)
- HRNet (CVPR’2019)
- HRNetv2 (TPAMI’2019)
- SCNet (CVPR’2020)
- Associative Embedding (NeurIPS’2017)
- HigherHRNet (CVPR’2020)
- DarkPose (CVPR’2020):(AP:0.789 Coco Keypoint 排名第三 2021.5)
- UDP (CVPR’2020) : (Unbiased Data Processing 无偏数据处理:AP:0.808 Coco Keypoint 排名第一 2021.5)
- MSPN (ArXiv’2019)
- RSN (ECCV’2020)
- HMR (CVPR’2018)
- Simple 3D Baseline (ICCV’2017)
- InterNet (ECCV’2020)
1.2.3 支持的数据集
- COCO (ECCV’2014)
- COCO-WholeBody (ECCV’2020)
- MPII (CVPR’2014)
- MPII-TRB (ICCV’2019)
- AI Challenger (ArXiv’2017)
- OCHuman (CVPR’2019)
- CrowdPose (CVPR’2019)
- PoseTrack18 (CVPR’2018)
- MHP (ACM MM’2018)
- sub-JHMDB (ICCV’2013)
- Human3.6M (TPAMI’2014)
- 300W (IMAVIS’2016)
- WFLW (CVPR’2018)
- AFLW (ICCVW’2011)
- COFW (ICCV’2013)
- OneHand10K (TCSVT’2019)
- FreiHand (ICCV’2019)
- RHD (ICCV’2017)
- CMU Panoptic HandDB (CVPR’2017)
- InterHand2.6M (ECCV’2020)
- DeepFashion (CVPR’2016)
- Animal-Pose (ICCV’2019)
- Horse-10 (WACV’2021)
- MacaquePose (bioRxiv’2020)
- Vinegar Fly (Nature Methods’2019)
- Desert Locust (Elife’2019)
- Grévy’s Zebra (Elife’2019)
- ATRW (ACM MM’2020)
2. UDP (Unbiased Data Processing-2021)
- 影响Human Pose Estimation精度的主要原因:
- 图像预处理(如:cropping, resizing, rotating and flipping)之后的图像未与原图对齐,在进行坐标系变换时以pixel为单位,从而带来了偏差
- 有缺陷的关键点格式变换(即编码和解码)方法将导致额外的精度下降
- 解决方案:
- 无偏坐标系变换
- 无偏关键点格式变换
- 主要贡献:
- 对于bottom-up方案:UDP同时提高了准确度且减少了运行时间
- 核心思想
- 它是一个与模型无关的方法和出色的解决方案,UDP成功地突破了人体姿势估计问题的性能边界,如下图
- 它是一个与模型无关的方法和出色的解决方案,UDP成功地突破了人体姿势估计问题的性能边界,如下图
以上是关于MMPose的主要内容,如果未能解决你的问题,请参考以下文章