DEKR:这是我们CVPR 2021论文“通过解开的关键点回归进行的自下而上的人体姿势估计”的正式实施（https

【文件属性】：
文件名称：DEKR:这是我们CVPR 2021论文“通过解开的关键点回归进行的自下而上的人体姿势估计”的正式实施（https
文件大小：66KB
文件格式：ZIP
更新时间：2021-04-16 19:24:00
Python 通过解聚的关键点自下而上的人体姿势估计 介绍 在本文中，我们对从图像估计人的姿势的自下而上的范例感兴趣。 我们研究了密集的关键点回归框架，该框架先前不如关键点检测和分组框架。 我们的动机是准确地回归关键点位置需要学习专注于关键点区域的表示形式。 我们提出了一种简单而有效的方法，称为分解关键点回归（DEKR）。 我们通过像素级空间转换器采用自适应卷积来激活关键点区域中的像素，并从中学习表示。 我们使用多分支结构进行单独的回归：每个分支学习具有专用自适应卷积的表示，然后对一个关键点进行回归。 产生的解缠结表示能够分别关注关键点区域，因此关键点回归在空间上更加准确。 我们凭经验表明，所提出的直接回归方法优于关键点检测和分组方法，并且在两个基准数据集COCO和CrowdPose上获得了出色的自下而上的姿势估计结果。 主要结果 不进行多尺度测试的COCO val2017结果 骨干 输入尺寸 #Pa

【文件预览】：
DEKR-main
----tools()
--------_init_paths.py(669B)
--------train.py(10KB)
--------train_scorenet.py(1KB)
--------inference_demo.py(9KB)
--------valid.py(7KB)
--------crowdpose_concat_train_val.py(2KB)
----LICENSE(1KB)
----experiments()
--------crowdpose()
--------coco()
----requirements.txt(115B)
----.gitignore(1KB)
----lib()
--------models()
--------core()
--------config()
--------dataset()
--------utils()
----README.md(14KB)