HRNet论文与代码理解

人体姿态估计|HRNet

让我们看一个融合3-resolution representations的例子，如图3所示。我们从一个高分辨率的卷积流作为第一阶段，逐步将高分辨率到低分辨率的流逐个添加，形成新的阶段，并将多分辨率流并行连接。因此，后一阶段并行流的分辨率由前一阶段的分辨率和一个更低的分辨率组成。我们通过bilinear upsampling对低分辨率表示进行缩放，而不改变高分辨率的通道数，并将四种表示连接起来，然后进行1 × 1卷积来混合这四种表示。定义了一个3x3的卷积，当stride=1时，输出大小不变。

目录 1.整体架构： 2.代码梳理： 3.模块详解： 1）ResNet模块【感觉不用详解大家都清楚...跳过】 2）关键的特征融合部分：HighResolutionModule 函数一和二： 函数三：_make_fuse_layers－－融合模块 最后的forward部分： ３.关键点预测模块：PoseHighResolutionNet １）函数一：_make_transiti...

其作用是将 box（目标检测的检测框） 的 h 和 w 的比例调整为fixed_size 的 h 和 w 的比例，以 fixed_size=(4, 2)，调整前的 box 的 h=5, w=3，调整后的 h=6, w=3, h / w = 2 为例。关于模型结构部分的代码，可以参考第一部分的模型结构图（其他大佬画的），我觉得已经画的非常详细了，代码实际上也是这样的。：image(同输入一致)、target(缩放之后的target，box 参数为缩放之后的 xmin,ymin,w,h)

HRNet 原文：Deep high-resolution representation learning for visual recognition 论文链接: https://arxiv.org/abs/1908.07919v2 pytorch official code: https://github.com/HRNet 笔记时间：2020.11.22 文章最早发表在了CVRP2019，后面被顶刊TPAMI录用。 之所以要看这篇文章，是先看了OCR，看代码的过程中碰到backbone是HRNet，H

HRNet网络搭建源码解读。

CornerNet-Lite论文阅读与代码复现 （一）Title （二）背景知识：Conernet 1、Idea 当今的目标检测算法大多都是基于深度学习模型的，大致可以分为两大门派，一个叫做One-Stage系列，另一个叫做Two-Stage系列。Two-Stage系列顾名思义就是两步走：是先由算法生成一系列作为样本的候选框（Region Proposal），再通过卷积神经网络对候选框进行分类回归，典型代表有R-CNN系列；而One-Stage系列则不用产生候选框，直接将目标边框定位的问题转化为回归问题处

HRNet：Deep High-Resolution Representation Learning for Human Pose Estimation[github]（CVPR2019）这是一篇state-of-the-art级别的论文； 本文为精读翻译稿，其中也会有些知识点讲解和笔记跳转。

高分辨率表征对于像人体姿态估计、语义分割、目标检测等对位置信息敏感的视觉任务极其重要。现有的SOTA框架（比如ResNet、VGGNet）首先通过串联的高分辨率卷积至低分辨率卷积子网络将输入的图像编码为低分辨率表征，然后从已编码的低分辨率表征中回复高分辨率表征。与此相反，本文提出的High-Resolution Network (HRNet), **在整个过程中都保持高分辨率的表征**。它有两个重要特点：**1）并行连接高低分辨率的卷积流分支；2）不断进行不同分支间的信息交互**。通过这两个特点，HRNet

8错的，有代码部分的分析 https://segmentfault.com/a/1190000019167646

Deep High-Resolution Representation Learning for Human Pose Estimation 用于人体姿态估计的深度高分辨率表征学习 论文地址 摘要： 本文关注针对人体姿态估计问题，重点学习可靠的高分辨率表示。现有的大多方法从一个 high-to-low 分辨率网络生成的低分辨率表示中恢复高分辨率表示。但是，我们的网络模型在整个过程中都保持高分辨率表示。 我们从一个高分辨率的子网络作为 first stage 开始，逐步添加 high-to-low 分辨率子网

人体姿态估计|Lite-HRNet

一、训练文件（/tools/train.py） 代码及相关注释 # ------------------------------------------------------------------------------ # Copyright (c) Microsoft # Licensed under the MIT License. # Written by Bin Xiao ([email protected]) # ----------------------------------

【参考】简介。

自下而上的HPE在预测小个体的正确姿态方面存在困难，故提出HigherHRNet——使用高分辨率特征金字塔学习尺度感知表示。通过高分辨率特征金字塔和多分辨率监督与聚合，解决了尺度变化带来的挑战，实现了更精确的关键点定位，尤其在处理小个体时表现优异。特征金字塔的主要思想是通过构建多尺度的特征表示，使得模型能够在不同尺度下对目标进行预测。二维人体姿态估计旨在定位人体的关键点或部位，是理解人类行为的重要技术。目前的方法主要分为自上而下和自下而上两类。

Hello，今天要更新一下“HigherHRNet- Scale-Aware Representation Learning for Bottom-Up Human Pose Estimation”论文的详解，文章被CVPR 2020接收。先对文章进行翻译： 摘要 自下而上的人体姿态估计方法由于尺度变化的挑战而难以为小人体预测正确的姿态。在本文中，我们提出了HigherHRNet：一种新的自下而上的人体姿势估计方法，用于使用高分辨率特征金字塔学习尺度感知表示。该方法配备了用于训练的多分辨率监督和..

Deep High-Resolution Representation Learning for Human Pose Estimation 源码分析