- 综合排序
- 最热优先
- 最新优先
- 来自专栏JNing的专栏
【人体骨骼点】top-down与bottom-up
指的是策略，究竟是先 “人体”（top）还是先 “部位” （bottom）： top-down（先人体，再部位：多人时，有两个缺点：①性能受到detector性能的影响；②功耗随着人数增多而直线上升） bottom-up （先部位，再组装成人体） 究竟是哪种策略（top-down / bottom-up），主要看接了一个什么样的head。 如果接的是heatmap那就是bottom-up。和网络结构本身无关。
94010编辑于 2022-10-31 - 来自专栏机器学习、深度学习
快速人体姿态估计--Pose Proposal Networks
Pose Proposal Networks ECCV2018 本文使用 YOLO + bottom-up greedy parsing 进行人体姿态估计 its total runtime using 人体姿态估计总的来说有两大类方法： top-down and bottom-up top-down： 就是首先检测图像中的所有人，然后分别对每个人进行人体姿态估计 one detects person instances first and then applies single-person pose estimators to each detection bottom-up：首先提取出图像中所有的人体部件 detects parts first and then parses them into each person instance 从时间效率的角度来说， bottom-up 更具优势，它的时间不会随着图像人数的增加而线性增加
1.5K20发布于 2019-05-27 - 来自专栏集智书童
CenterNet++ | CenterNet携手CornerNet终于杀回来了，实时高精度检测值得拥有！
目标检测有2种主流:top-down和bottom-up。最先进的方法大多属于第一类。在本文中，作者证明了bottom-up方法与top-down的方法具有同样的竞争能力，并且具有更高的召回率。 另一方面，作者发现bottom-up的方法在定位任意几何形状的目标时可能更好，因此有更高的召回率。但是传统的bottom-up方法也会产生很多误检，不能准确地表示目标。 在分析bottom-up方法的驱动下，作者的核心观点是，只要提高bottom-up方法感知目标全局信息的能力，bottom-up方法将可以达到与bottom-up方法一样具有竞争力。 2.2 Bottom-up方法 Bottom-up方法检测目标的各个部分，而不是将目标视为一个整体。随后，属于同一目标的各个部分将通过一些可训练的后处理算法组合在一起。 尽管Bottom-up方法具有很高的召回率，但它们经常产生许多误检。
1.7K20编辑于 2022-05-26 - 来自专栏GiantPandaCV
【CV中的特征金字塔】四，CVPR 2018 PANet
Bottom-Up Path Augmentation。 Adaptive Feature Pooling。 Fully-Connected Fusion。 接下来我们把这几个贡献点讲清楚就OK。 Bottom-up Path Augmentation Bottom-up Path Augemtation的提出主要是考虑到网络的浅层特征对于实例分割非常重要，不难想到浅层特征中包含大量边缘形状等特征 因此，为了保留更多的浅层特征，论文引入了Bottom-up Path Augemtation。我们从Figure1中可以看到，作者用红绿两个箭头来表示这个结构是如何起作用的？ 绿色的箭头表作者添加了一个Bottom-up Path Augemtation结构，这个结构本身不到10层，这样浅层特征经过原始FPN中的横向连接到P2然后再从P2沿着Bottom-up Path Augemtation Bottom-up Path Augemtation详细结构 6. Adaptive Feature Pooling 这一结构做的仍然是特征融合。
1.6K20发布于 2020-03-03 - 来自专栏我爱计算机视觉
MultiPoseNet:人体检测、姿态估计、语义分割一“网”打尽
文中提出了一种新的自底向上（Bottom-Up）模式的多人姿势估计架构，它将多任务模型(multi-task model)与新颖的分配算法（assignment method）相结合。 在COCO关键点数据集上，该姿态估计方法在准确性（比之前最好的结果要高4个点的mAP）和速度方面均优于所有之前的自下而上（Bottom-Up）方法; 它在准确性上也可以与最好的自顶向下（Top-Down 多人姿态估计分为Bottom-Up方法和top-down方法两个方向。 Bottom-Up方法 先检测图像中人体部件，然后将图像中多人人体的部件分别分配到不同的人体实例上，因此这类方法在测试推断的时候往往更快速,模型Size更小，但因为没能更细致的对人脸关键点建模，所以往往准确度稍低 COCO test-dev数据集上的结果，BU是Bottom-Up方法，TD是Top-Down方法 ? 使用不同的骨干网络性能比较 ?
1.6K30发布于 2019-12-27 - 来自专栏CVer
德克萨斯大学提出：One-stage目标检测最强算法 ExtremeNet
正文 《Bottom-up Object Detection by Grouping Extreme and Center Points》 ? Austin 注：2019年01月23日刚出炉的paper Abstract：With the advent of deep learning, object detection drifted from a bottom-up In this paper, we show that bottom-up approaches still perform competitively.
75220发布于 2019-12-31 - 来自专栏OpenMMLab
MMPose 1.0：优雅而强大的姿态估计算法框架
1.0 带来的 6 大全新体验： 基于模型训练引擎 MMEngine 的架构设计，使模型训练流程更直观，代码更简化，接口更统一 新增姿态编解码器模块，统合姿态前后处理过程 统一 top-down 和 bottom-up 图 4 MMPose 1.0 中的编解码器及其配置：整合代码、配置方便 统一的 top-down 和 bottom-up 数据接口 自顶向下（top-down）和自底向上（bottom-up）是姿态估计中重要的两种方法范式 Top-down 方法首先检测目标位置，然后在检测框中检测单个目标的关键点；Bottom-up 方法直接在整幅图像上检测所有关键点，然后将属于同一目标的关键点划分为一组。 图 5 姿态估计中的 2 类重要方法：top-down 和 bottom-up 在旧版本的 MMPose 中，top-down 和 bottom-up 使用不同的 dataset 类，数据格式上存在一定差别 图 7 MMPose 1.0 中通过统一的数据接口类 PoseDataSample * Bottom-up 算法 Associative Embedding 的重构正在进行中，预计会在 2022.11
1.8K20编辑于 2022-12-30 - 来自专栏皮皮星球
Tree - 107. Binary Tree Level Order Traversal II
Binary Tree Level Order Traversal II Given a binary tree, return the bottom-up level order traversal example: Given binary tree [3,9,20,null,null,15,7], 3 / \ 9 20 / \ 15 7 return its bottom-up
36220发布于 2020-09-23 - 来自专栏Reck Zhang
LeetCode 0107 - Binary Tree Level Order Traversal II
Binary Tree Level Order Traversal II Desicription Given a binary tree, return the bottom-up level order For example: Given binary tree [3,9,20,null,null,15,7], 3 / \ 9 20 / \ 15 7 return its bottom-up
24040发布于 2021-08-11 - 来自专栏量子位
Facebook开源看图问答模型Pythia：拿下VQA比赛冠军就靠它
为Pythia打下基础的，是2017年VQA Challenge冠军，Peter Anderson等人提出的Bottom-Up and Top-Down Attention模型。 Bottom-Up，指的是这个模型以ResNet-101为基干网络，用了Visual Genome数据集预训练的Faster-RCNN，用自底向上的注意力机制来提取图像特征。 又比如，把bottom-up模型里的目标检测模型换成Detectron里的FPN，还对用到的数据集：Visual Genome、Visual Dialog等都做了数据扩增。 ? Parikh https://arxiv.org/pdf/1807.09956.pdf 以及开源代码： https://github.com/facebookresearch/pythia 为它打下基础的Bottom-Up
66200发布于 2018-08-08 - 来自专栏计算机视觉与深度学习基础
Leetcode 107 Binary Tree Level Order Traversal II
Given a binary tree, return the bottom-up level order traversal of its nodes' values. : Given binary tree [3,9,20,null,null,15,7], 3 / \ 9 20 / \ 15 7 return its bottom-up
61470发布于 2018-01-12 - 来自专栏给永远比拿愉快
Leetcode: Binary Tree Level Order Traversal II
题目： Given a binary tree, return the bottom-up level order traversal of its nodes' values. example: Given binary tree {3,9,20,#,#,15,7}, 3 / \ 9 20 / \ 15 7 return its bottom-up
38110发布于 2019-01-22 - 来自专栏JNing的专栏
leetcode: 107. Binary Tree Level Order Traversal II
Problem Given a binary tree, return the bottom-up level order traversal of its nodes' values. example: Given binary tree [3,9,20,null,null,15,7], 3 / \ 9 20 / \ 15 7 return its bottom-up
47220发布于 2019-02-25 - 来自专栏Yunfeng's Simple Blog
Attentional Pooling for Action Recognition 论文阅读笔记
Top-down attention 和 bottom-up attention 以上公式推导是针对二分类问题的，对于多分类问题，只需要将参数W变为针对每个类不同的Wk即可，公式如下： ? 其中tk项是top-down attention而h项是bottom-up attention。 以上介绍的 top-down attention 和 bottom-up attention 合在一起就是 attentional pooling 的实现方式。 论文中，对于秩为P的近似，作者采用P个bottom-up feature maps 和 C个 top-down feature maps 来相乘，这时候公式(6)就需要发生改变，Figure 1 中的Xb top-down attention 和 bottom-up attention 在Project_Root/models/slim/nets/nets_factory.py中300行左右实现，具体为如下两行
1K10发布于 2019-12-25 - 来自专栏杨丝儿的小站
Tabulation v.s. Recursion With Memory (Dynamic Programming)
My Answer In my opinion, the bottom-up method and the top-down with memory (or recursive with memory) is the way they fulfill the memory space and how they cut the recursion tree. top-down with memory bottom-up
26610编辑于 2022-03-01 - 来自专栏算法修养
LeetCode 107. Binary Tree Level Order Traversal II
Given a binary tree, return the bottom-up level order traversal of its nodes' values. For example: Given binary tree [3,9,20,null,null,15,7], return its bottom-up level order traversal as
35630发布于 2018-07-24 - 来自专栏张善友的专栏
Entity Framework 和NHibernate的区别
SQLite for ADO.NET 2.0 Data Provider 到 实体框架EF, 还有ORM的概念,列出了ORM的完整视图 介绍了ORM的四个方向，即自上而下(Top-down)，自下而上(Bottom-up 而ADO.NET Entity Framework目前v1版本，应该是从下而上的方式Bottom-up)，ADO.NET Entity Data Model Wizard就是最好的佐证。 其实ORM和DP的存在就是要实现这两个方向的能力和支持，否则就没有存在的必要，因为自上而下(Top-down)和自下而上(Bottom-up)两种方式由来已久，解决这两个方向的问题，ORM工具或E/R模型编程未必是最好的方式
1.2K70发布于 2018-01-22 - 来自专栏圆圆的算法笔记
层次时间序列预测指南
本文为大家梳理了层次时间序列预测的SOTA方法，从最基础的bottom-up方法，到基于校准的方法，再到近两年出现的基于深度学习的层次预估方法。 1 层次预估的基础方法 实现层次预估的目标其实并不难，最基础的方法包括bottom-up、top-down或middle-out等。 Bottom-up方法，指的是只预测所有最底层节点的时间序列，对于上层的时间序列，使用底层时间序列预测结果逐层加和得到。 Middle-out选择中间某层进行预测，然后再利用bottom-up和top-down方法，从所选这一层的预估结果向上汇聚和向下分配。 Bottom-up和top-down这两种方法都是上面方法的一种特例，它们的P矩阵分别可以表示成如下形式。 只要能够求解出最好的P，就能得到最优解，因此后面有一系列工作围绕如何求解P矩阵展开。
95520编辑于 2022-09-22 - 来自专栏专知
CVPR2017 VQA 任务冠军：基于双向注意力机制视觉问答pyTorch实现
【导读】在CVPR2017上举办的VQA（Visual Question Answering）比赛中，基于双向注意力机制视觉问答（Bottom-Up and Top-Down Attention for 其主要贡献在于提出了Bottom-Up and Top-Down Attention的机制， 不仅用一个个的单词，来指代检测到的物体，这种方法在含空间信息的同时还可以对应多个单词，比如一个形容词和名词， Bottom-Up and Top-Down Attention for Visual Question Answering 这是一个高效的PyTorch实现，是2017 VQA Challenge "Bottom-Up and Top-Down Attention for Image Captioning and Visual Question Answering" (https://arxiv.org
2.5K110发布于 2018-04-12 - 来自专栏SAP供应链
SAP QM MB56 报表没有结果之分析与对策
以Bottom-up Analysis选项来执行MB56, 系统提示：Bottom-up expansion is not possible for selected batch.
80600发布于 2021-10-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号