文件名称：human_pose_estimate
文件大小：12.1MB
文件格式：ZIP
更新时间：2024-06-05 22:23:08
HTML
机器学习进行人体姿势估计 基本的python模型 ，用于使用MATLAB风格的语法对数值运算进行高度优化的库。 神经网络（深度学习）框架 OpenCV-Python解决计算机视觉问题 使用线性回归来预测关节 数据集：完整 有五种不同的方法： 使用转换后的图片的所有像素作为输入和SGD-> python my_scripts/train.py 使用转换后的图片的所有像素作为输入和python my_scripts/train.py --mode bgd > python my_scripts/train.py --mode bgd 使用基于词袋算法和SGD的python my_scripts/train_sift.py > python my_scripts/train_sift.py 在关节和SGD周围使用补丁图像的像素-> python my_scripts/train_b
【文件预览】：
human_pose_estimate-master
----test_transform.ipynb(587KB)
----models()
--------__init__.pyc(105B)
--------LinearNet_flic_sift.py(834B)
--------LinearNet_flic_one_joint.pyc(1KB)
--------LinearNet_flic_patch.pyc(1KB)
--------.DS_Store(6KB)
--------__init__.py(0B)
--------LinearNet_flic.pyc(1KB)
--------LinearNet_flic.py(834B)
--------LinearNet_flic_patch.py(878B)
--------LinearNet_flic_sift.pyc(1KB)
--------LinearNet_flic_one_joint.py(753B)
----my_scripts()
--------test_bgd.py(1KB)
--------old_train.py(13KB)
--------train_batch.py(2KB)
--------regressor_trainer.pyc(15KB)
--------test_flic_dataset.py(5KB)
--------train_sift.py(2KB)
--------__init__.pyc(109B)
--------draw_loss.py(2KB)
--------test.py(132B)
--------train.py(2KB)
--------draw_loss.pyc(3KB)
--------sift_extracted.py(823B)
--------flic_dataset.py(2KB)
--------.DS_Store(6KB)
--------transform.pyc(7KB)
--------__init__.py(0B)
--------sift_regressor_trainer.py(337B)
--------trainer.py(8KB)
--------download_flic.sh(287B)
--------reg_least_square.py(19B)
--------data_utils.py(13KB)
--------regressor_trainer.py(20KB)
--------transform.py(6KB)
--------test_flic_dataset.pyc(5KB)
--------trainer.pyc(7KB)
--------sift_extracted.pyc(1KB)
--------data_utils.pyc(12KB)
----linear_regression_training_flic.ipynb(3.65MB)
----Least_square.ipynb(9KB)
----linear_regression_training_flic.html(3.38MB)
----Linear_BGD_lr_0.0001.log(61KB)
----test_sift.ipynb(1.22MB)
----linear_regression_training_flic_bgd.ipynb(31KB)
----tests()
--------test_flic_dataset.py(2KB)
--------loss.jpg(819KB)
--------loss_history.jpg(886KB)
--------.DS_Store(6KB)
--------val_loss.png(138KB)
--------test_lsp_dataset.py(2KB)
--------val_loss.jpg(812KB)
--------loss_history.png(120KB)
--------test_transform.py(3KB)
--------.ipynb_checkpoints()
--------loss.png(138KB)
--------test_mpii_dataset.py(2KB)
----training_results.ipynb(15.23MB)
----test_draw_loss.ipynb(1.25MB)
----README.md(1KB)