• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于偏移學習的低分辨率人體姿態(tài)估計

      2022-05-30 20:41:07林敏強
      電子產品世界 2022年9期
      關鍵詞:低分辨率

      林敏強

      摘 要:目前高分辨率人體姿態(tài)估計已經非常準確,但是低分辨率人體姿態(tài)估計效果并不理想,主要原因是低分辨率時模型性能嚴重下降,而偏移學習是解決模型性能下降的一種有效方法。實驗表明,本文提出的基于偏移學習的低分辨率人體姿態(tài)估計算法量化誤差小,準確率高。

      關鍵詞:人體姿態(tài)估計;低分辨率;偏移學習

      *基金項目:深圳市科技創(chuàng)新委員會資助項目(項目編號:JSGG20191129143214333)

      人體姿態(tài)估計是人體生成,動作識別,行人序列重識別,行人跟蹤和行人目標檢測中最關鍵的技術之一。由于受人體的大尺度變換、人體遮擋和拍攝角度等因素干擾,人體姿態(tài)估計充滿挑戰(zhàn)。現(xiàn)有的人體姿態(tài)估計算法大部分是基于高分辨率的,低分辨率人體姿態(tài)估計研究較少。高分辨率人體姿態(tài)估計計算量大,嚴重阻礙了人體姿態(tài)估計的應用。城市監(jiān)控多采用遠距離拍攝,獲取的圖像分辨率都比較低,因此低分辨率人體姿態(tài)估計更具有研究和應用價值。

      人體姿態(tài)估計算法主要分三類:基于坐標的人體姿態(tài)估計算法;基于熱圖的人體姿態(tài)估計算法;基于偏移的人體姿態(tài)估計算法。基于坐標的人體姿態(tài)估計算法是以人體2D圖像作為輸入并學習人體部位的歸一化坐標,為了提升模型的性能,主要采用級聯(lián)網絡來改進預測效果,為了提高低分辨率人體姿態(tài)估計的性能,研究還采用了監(jiān)督學習和對比學習的方法,強制讓特征和輸出保持一致性;基于坐標的方法的人體姿態(tài)估計算法模型簡單,但是模型容易過擬合,基于熱圖的人體姿態(tài)估計算法剛好可以緩解過擬合。基于熱圖的人體姿態(tài)估計算法采用隱士人體結構,且用高斯分布對關鍵點坐標進行編碼,不僅可以防止模型過擬合,而且可以增加容錯能力;但是它容易受到下采樣算子的影響,導致量化誤差增大?;谄茖W習的人體姿態(tài)估計算法將人體姿態(tài)估計分為部分檢測和偏移回歸任務,明顯減少了量化誤差。本文采用基于偏移學習的人體姿態(tài)估計算法在低分辨率數(shù)據集上減少了量化誤差,提升了準去率。

      1 算法

      2 實驗

      本實驗是COCO數(shù)據集上完成的。COCO數(shù)據集是用于圖像檢測、語義分割、人體姿態(tài)估計最常用的數(shù)據集,它包含220張有標注的圖像(COCO數(shù)據集超過330張圖像),150萬個目標,80個行人、汽車、動物等目標類別,91種草、墻、天空等材料類別,并且每張圖片還包含5句圖像描述,最重要的是它包含250000個帶關鍵點標注的行人。實驗用平均精度(mean average precision,mAP)和平均召回率(average recall, AR)來作為評價指標。實驗結果如表1。

      從上表可以看出,本文算法在COCO數(shù)據集上的平均精度和平均召回率明顯優(yōu)于其它算法,說明本文提出的基于偏移學習的低分辨率人體姿態(tài)估計算法在低分辨率人體姿態(tài)估計上是有效的。

      3 結語

      本文提出的基于偏移學習的低分辨率人體姿態(tài)估計算法,在低分辨率人體姿態(tài)估計時,將人體姿態(tài)估計分為部分檢測和偏移回歸任務,明顯減少了量化誤差,提升了準確率。

      參考文獻:

      [1] ZHANG Y, HASSAN M, NEUMANN H, et al. Generating 3d people in scenes without people[C]. 2020 IEEE Conference on Computer Vision and Pattern Recognition, 2020:6193-6203.

      [2] HUANG J, ZHU Z, GUO F, et al. Delving into unbiased data processing for human pose estimation[C]. 2020 IEEE Conference on Computer Vision and Pattern Recognition, 2020:5700-5709.

      [3] MA C, RAO Y, CHENG Y, et al. Structure-preserving super resolution with gradient guidance [C]. 2020 IEEE Conference on Computer Vision and Pattern Recognition, 2020:7766-7775.

      [4] FENG Z, XIATIAN Z, HANBIN D, et al. Distributionaware coordinate representation for human pose estimation[C]. 2020 IEEE Conference on Computer Vision and Pattern Recognition, 2020:7091-7100.

      [5] QIAN X, FU Y, XIANG T, et al. Pose normalized image generation for person re-identification[C]. 2018 European Conference on Computer Vision, 2018:661-678.

      [6] CHEN Y, WANG Z, PENG Y, et al. Cascaded pyramid network for multi-person pose estimation[C]. 2018 IEEE Conference on Computer Vision and Pattern Recognition, 2018:7103-7112.

      [7] SUN K, XIAO B, LIU D et al. Deep high-resolution representation learning for human pose estimation[C]. 2019 IEEE Conference on Computer Vision and Pattern Recognition, 2019:5693-5703.

      [8] XIAO B, WU H, WEI Y, et al. Simple baselines for human pose estimation and tracking[C]. 2018 European Conference on Computer Vision, 2018:472-487.

      猜你喜歡
      低分辨率
      基于全局和局部特征集成的低分辨率人臉識別方法
      基于稀疏分解和預濾波處理的機載SAR圖像超分辨率重建
      基于超分辨重建和公共特征子空間的低分辨率人臉識別
      紅外熱成像中低分辨率行人小目標檢測方法
      紅外技術(2022年11期)2022-11-25 08:12:22
      基于邊緣學習的低分辨率圖像識別算法
      計算機應用(2020年7期)2020-08-06 08:29:00
      基于四通道卷積稀疏編碼的圖像超分辨率重建方法
      計算機應用(2018年6期)2018-08-28 08:53:00
      樹木的低分辨率三維模型資源創(chuàng)建實踐
      藝術科技(2018年2期)2018-07-23 06:35:17
      智能相架
      基于稀疏表示和近鄰嵌入的圖像超分辨率重構
      基于插值和多幀重建的圖像超分辨分析
      商(2014年46期)2014-05-30 19:35:54
      盱眙县| 葫芦岛市| 北安市| 博客| 金溪县| 五指山市| 开阳县| 吉安市| 通海县| 六盘水市| 怀安县| 徐汇区| 漳平市| 阳信县| 兴化市| 绥化市| 永宁县| 恭城| 策勒县| 光山县| 虎林市| 清新县| 射阳县| 黄梅县| 武威市| 北票市| 宁津县| 陆河县| 松溪县| 莱阳市| 简阳市| 马龙县| 鄂托克旗| 富宁县| 淅川县| 商南县| 大足县| 东兴市| 东辽县| 湖州市| 永年县|