- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习、深度学习
人体姿态跟踪--Pose Flow: Efficient Online Pose Tracking
Pose Flow: Efficient Online Pose Tracking https://github.com/MVIG-SJTU/AlphaPose 本文主要是关于人体姿态跟踪方面的内容 主要通过两个步骤来实现的：1） pose flow 姿态流的生成，2）姿态流中进行了非极大值抑制 ? 整个网络流传图 ? 3 Our Proposed Approach 这里定义了一些姿态度量： Intra-Frame Pose Distance ： 这个距离主要衡量同一帧内两个姿态的相似度 Inter-frame Pose + 改进的 SPPE 3.3 Pose Flow Building Pose flows are built by associating poses that indicates the same person across frames. 3.4 Pose Flow NMS ?
2.2K20发布于 2019-05-26 分子对接PyRasetta--Pose
这一节我们来学习一下PyRosetta的Pose。什么的pose？其实大家照相的时候经常说摆个pose，直译过来就是姿势，那么这个词用在蛋白质上，其实就是结构信息。 注意：Pose是一个Python类，要调用其实现的方法，需要先创建类的实例（此处指pose或pose_clean实例），然后在实例后使用点号进行方法调用。 print(pose.total_residue())print(pose_clean.total_residue())使用pose.residue(20)函数存储pose中第20位残基的Residue # PDB numbering to Pose numberingprint(pose.pdb_info().pdb2pose('A', 24))使用pdb_info()中的pose2pdb方法，查看pose = pose.pdb_info().pdb2pose('A', 28)### END SOLUTIONprint("phi:", pose.phi(resid))print("psi:", pose.psi
31820编辑于 2025-09-21- 来自专栏瓜大三哥
pose shape expression augmentation(0.9807)
对现有公共数据库人脸图像，从pose,shape和expression三哥方面合成新的人脸图像，极大的扩增数据量。在LFW和IJB-A数据集上取得了和百万级人脸数据训练一样好的结果。
97490发布于 2018-02-26 - 来自专栏AIUAI
论文阅读理解 - Convolutional Pose Machines
论文阅读理解 - Convolutional Pose Machines [Paper - CVPR2016] [Code - Caffe] [Code - TensorFlow 1.0+] 基于序列化的全卷积网络结构 摘要： Pose Machines 是一种序列化的预测框架，可以学习信息丰富的空间信息模型. Convolutional Pose Machines(CPMs) 是将 Convolutional Network 整合进 Pose Machines，以学习图像特征和图像相关(image-depenent Convolutional Pose Machines - CPMs CPM 同时利用深度卷积网络的优点，和 Pose Machine 框架的空间建模. CPM 结构如图： ? Related [1] - 【人体姿态】Convolutional Pose Machines
2.7K20发布于 2019-02-27 - 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 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 Human pose detection is achieved via the following steps. 1. Parse the merged RPs into individual people and generate pose proposals. ? ? ? ? ?
1.5K20发布于 2019-05-27 - 来自专栏YOLO大作战
YOLOv8-Pose关键点检测
YOLOv8-Pose关键点检测✨✨✨手把手教你从数据标记到生成适合Yolov8-pose的yolo数据集；模型性能提升、pose模式部署能力；应用范围：工业工件定位、人脸、摔倒检测等支持各个关键点检测 -C2f_DCNV3-pose34128959308.659700.9260.743yolov8-C2f_PConv-pose20530182968.561340.9250.695yolov8-C2f_BiLevelRoutingAttention-pose20530182968.561340.9260.734yolov8 -C2f_ScConv-pose2563188264964790.9210.7yolov8-slimneck-pose30933782008.969320.930.829yolov8-C2f_RepvggOREPA-pose28045651928.493590.9150.677yolov8 -C2f_OREPA-pose19645625048.293030.9310.691YOLOv8-C2f_LSKA_Attention-pose22629870008.560800.9250.652yolov8 YOLOv8-pose keypoints/pose estimation model.
2.4K30编辑于 2023-11-08 - 来自专栏AIUAI
姿态估计 - Human Pose Estimation Papers
- Human Pose Estimation Papers Single Person Multi-Scale Structure-Aware Network for Human Pose Estimation - 2018 [Paper] Integral Human Pose Regression [Paper] Human Pose Regression by Combining Indirect Part human pose regression - 2017 [Paper] LCR-Net: Localization-Classification-Regression for Human Pose pose machines - 2016 [Paper] [Code-Caffe] Recurrent human pose estimation - 2016 [Paper] Human pose Human Pose Estimation - 2018 [Paper] Simple Baselines for Human Pose Estimation and Tracking - 2018-
1.5K71发布于 2019-02-18 - 来自专栏机器学习、深度学习
人体姿态估计--Learning Feature Pyramids for Human Pose Estimation
Learning Feature Pyramids for Human Pose Estimation ICCV2017 Torch： https://github.com/bearpaw/PyraNet
56540发布于 2019-05-26 - 来自专栏AIUAI
论文实践学习 - Stacked Hourglass Networks for Human Pose Estimation
Human Pose Estimation - Project - Demo Code – pose-hg-demo - Pre-trained model - Training code – pose-hg-train pose-hg-demo主要包含文件及文件夹内容： ? 运行 Demo on MPII Human Pose dataset 下载MPII Human Pose dataset，并将图片放在 images 文件夹. 0 and pose[i][1] > 0: plt.scatter(pose[i][0], pose[i][1], marker='o', color='r', s=15) [i][0] > 0 and pose[i][1] > 0: plt.scatter(pose[i][0], pose[i][1], marker='o', color='r',
82930发布于 2019-02-18 - 来自专栏YOLO大作战
YOLOv13-pose关键点检测：新颖的特征融合方法-金字塔稀疏 Transformer（PST），助力pose检测
YOLOv13+PST Pose mAP50 为0.909， YOLOv13 Pose mAP50 为0.893，相较于YOLO11的Pose mAP50 为 0.871 ，大幅提升 《YOLOv13 适用场景：红外、小目标检测、工业缺陷检测、医学影像、遥感目标检测、低对比度场景适用任务：所有改进点适用【检测】、【分割】、【pose】、【分类】等全网独家首发创新，【自研多个自研模块】，【多创新点组合适合 为0.893，相较于YOLO11的Pose mAP50 为 0.871 ，大幅提升YOLO11-pose关键点检测：训练实战篇 | 自己数据集从labelme标注到生成yolo格式的关键点数据以及训练教程 （一）_yolov11 pose-CSDN博客 YOLOv13-pose summary: 554 layers, 2,821,743 parameters, 0 gradients, 7.7 GFLOPs mAP50 为0.909， YOLOv13 Pose mAP50 为0.893，相较于YOLO11的Pose mAP50 为 0.871 ，大幅提升YOLOv13-pose-PST summary
60210编辑于 2025-09-12 - 来自专栏zinyan
Android Tensorflow 示例代码 Pose Estimation项目编译
而这里，我主要介绍下Tensorflow提供的Pose Estimation （姿态估计）框架Demo示例。 让我们了解Tensorflow能够实现的姿态估计效果。 image_segmentation 图像切割 model_personalization 模型个性化 object_detection 对象检测 optical_character_recognition 光学字符识别 pose_estimation PoseEstimation 导入 我们选择examples\lite\examples\pose_estimation\android 目录，导入到Android Studio之中。 例如： https://storage.googleapis.com/download.tensorflow.org/models/tflite/pose_classifier/yoga_classifier.tflite 编译将会打包一个TFL Pose Estimation 的app安装到手机上。 识别效果如下所示：
1.7K10编辑于 2022-12-07 - 来自专栏相约机器人
Pose2Seg：检测免费的人体实例分割
作者 | 全华 来源 | Medium 编辑 | 代码医生团队 在这篇文章中，将从CVPR 2019回顾论文“Pose2Seg：Detection Free Human Instance Segmentation 结构 Pose2Seg的结构如下图所示： ? 该方法的步骤可描述如下： 首先，模型将图像和人体姿势作为输入。人体姿势可以是其他方法的输出，例如OpenPose或数据集的基本事实。 实验 遮挡性能 Pose2Seg可以比OCHuman数据集上的Mask R-CNN高出近50％。作者还使用地面实况关键点作为输入进行测试，并且精度提高了一倍以上（GT Kpt）。 一般情况下的表现 Pose2Seg也可以比COCOPersons数据集上的其他方法获得更高的准确性。 ? 执行 该论文的官方PyTorch代码: https://github.com/liruilong940607/Pose2Seg 参考 http://www.liruilong.cn/projects/pose2seg
5.3K40发布于 2019-06-21 - 来自专栏OpenCV与AI深度学习
实战 | 使用YOLOv8 Pose实现瑜伽姿势识别
YOLOv8 Pose简介 YOLO（You Only Look Once）是一种流行的实时目标检测算法，以其速度和准确性而闻名。 在Google Colab上训练YOLOv8 Pose 要在 Google Colab 上训练 YOLOv8 Pose，请按照以下步骤操作： A. ', 'pose2', 'pose3', 'pose4', 'pose5'] F. 开始训练YOLOv8 Pose： ! /models/yolov8n.pt") classNames = ["Bitilasana", "Lotus Pose","Tree Pose",.... ] #include
4K21编辑于 2024-04-19 - 来自专栏机器学习、深度学习
人体姿态估计--Stacked Hourglass Networks for Human Pose Estimation
Stacked Hourglass Networks for Human Pose Estimation ECCV2016 http://www-personal.umich.edu/~alnewell /pose/ Torch code is available 本文使用CNN网络来进行人体姿态估计，使用 Stacked Hourglass Networks，这里的 Hourglass 漏斗形状 Since SPPE produces a pose for each given bounding box, redundant detections result in redundant poses
1.6K51发布于 2019-05-26 - 来自专栏机器学习、深度学习
人脸对齐--Pose-Invariant Face Alignment with a Single CNN
Pose-Invariant Face Alignment with a Single CNN ICCV2017 http://cvlab.cse.msu.edu/project-pifa.html 4.3 FPS on a Titan X GPU 本文是解决 large-pose face alignment (LPFA)的，所谓的 large face poses 如 profile Layer 我们这里使用 Z-Buffering 中的 z coordinate of surface normals of each vertex, transformed with the pose
1.1K100发布于 2018-01-03 - 来自专栏AIUAI
论文阅读理解 - Stacked Hourglass Networks for Human Pose Estimation
Stacked Hourglass Networks for Human Pose Estimation keywords 人体姿态估计 Human Pose Estimation 给定单张RGB 训练 Training MPII Human Pose Dataset 数据处理： - 采用MPII提供的scale和center标注信息，以目标人为中心，裁剪图片 - Resized to 256x256 MPII Human Pose 测试集的人体姿态估计结果 Related 1.Stacked Hourglass Networks for Human Pose Estimation-Project 2
1.9K30发布于 2019-02-18 - 来自专栏机器学习、深度学习
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! Hourglass model 对 SPPE 进行了改进，引入了 三个模块： Symmetric Spatial Transformer Network (SSTN), Parametric Pose Non-Maximum-Suppression(NMS), and Pose-Guided Proposals Generator (PGPG) 多人人体姿态估计目前主要有两类方法： two-step 3 Regional Multi-person Pose Estimation 首先用人体检测器得到 human bounding boxes， 可以用 SSD 或 Faster R-CNN。 然后将这些人体矩形框输入 “Symmetric STN + SPPE” 模块，自动输出 pose proposals，对这些 pose proposals 我们用 parametric Pose
1.7K10发布于 2019-05-26 - 来自专栏AIUAI
论文阅读理解 - Multi-Context Attention for Human Pose Estimation
Multi-Context Attention for Human Pose Estimation [Paper] [Torch-Code] [valse2017/ppt] 整合多内容信息注意力机制(
1.5K30发布于 2019-02-18 - 来自专栏机器之心
Facebook实时人体姿态估计：Dense Pose及其应用展望
estimation) 的文章 [1] [2]，用于介绍他们提出的 Dense Pose 系统以及一个应用场景「密集姿态转移」（dense pose transfer）。 本文将简要介绍（1）利用 Dense Pose 实现单张 2D 人体图像到 3D 表面模型的原理 ；（2）如何将 Dense Pose 系统应用在「姿态转移」（pose transfer）这一问题上；（ Dense Pose 的更多信息以及视频 demos： 1. 什么是密集姿态估计（dense pose estimation）? 从 Dense Pose 到 Dense Pose Transfer 除了介绍 Dense Pose 系统的架构和工作流程，研究人员还在 [1] 中展示了一个 Dense Pose 的应用，「纹理转移 Dense Pose 的应用展望 Dense Pose 为人体姿态估计提供了一种新的解决方法，研究人员也在 demos 中展示了 Dense Pose 能够实时完成纹理转移等任务。
94310发布于 2019-03-06 - 来自专栏机器之心
Facebook实时人体姿态估计：Dense Pose及其应用展望
estimation) 的文章 [1] [2]，用于介绍他们提出的 Dense Pose 系统以及一个应用场景「密集姿态转移」（dense pose transfer）。 本文将简要介绍（1）利用 Dense Pose 实现单张 2D 人体图像到 3D 表面模型的原理 ；（2）如何将 Dense Pose 系统应用在「姿态转移」（pose transfer）这一问题上；（ Dense Pose 的更多信息以及视频 demos： 1. 什么是密集姿态估计（dense pose estimation）? 从 Dense Pose 到 Dense Pose Transfer 除了介绍 Dense Pose 系统的架构和工作流程，研究人员还在 [1] 中展示了一个 Dense Pose 的应用，「纹理转移 Dense Pose 的应用展望 Dense Pose 为人体姿态估计提供了一种新的解决方法，研究人员也在 demos 中展示了 Dense Pose 能够实时完成纹理转移等任务。
1.2K11发布于 2019-04-29
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