第一步：准备数据 头发分割数据，总共有5711张图片，里面的像素值为0和1，所以看起来全部是黑的，不影响使用 第二步：搭建模型 计算机视觉领域有很多任务是位置敏感的，比如目标检测、语义分割、实例分割等等。为了这些任务位置信息更加精准，很容易想到的做法就是维持高分辨率的feature map，事实上HRNet之前几乎所有的网络都是这么做的，通过下采样得到强语义信息，然后再上采样恢复

目录 1.搭建环境 1.1创建conda环境 1.2下载HRNet工程 1.3安装依赖 2.准备数据集 3.修改配置文件 4.增加保存pth模型的代码 5.增加代码保存分类名称和索引 6.开始训练 7.测试 1.搭建环境 1.1创建conda环境 为了防止和服务器上的环境冲突，这里利用conda搭建环境。 conda create -n HRNet_chw py

文章目录 一. 导出模型二、编译运行三、原理3.1 骨骼点识别（姿态估计）3.2 higher hrnet 一. 导出模型 附件位置：1.导出模型 进入Pytorch环境（可以使用Conda或者docker） docker run --gpus all -it --name env_pyt_1.12 -v $(pwd):/app nvcr.io/nvidia/pyt

1、首先阅读了hrnet的网络结构分析，了解到了网络构造如下： 参考博文姿态估计之2D人体姿态估计 - （HRNet）Deep High-Resolution Representation Learning for Human Pose Estimation（多家综合）-CSDN博客 最重要的就是这个图了： 在这里主要是注释自己对这个图的认识和理解： 在RGB图片（256*192*3）

阅读此篇文章的感触： 首先针对ACM提出两种类型：DCM和GCM 1. 首先介绍ACM的组成： ① 提出------adaptive context pooling, 包括一个1*1操作和softmax，以及transpose操作 ②context shifting, 就是将context pooling特征图谱经过两个 1 × 1 convolutions with non-linear

Lite-HRNet: A Lightweight High-Resolution Network Abstract 我们提出了一个高效的高分辨率网络 Lite-HRNet，用于人体姿态估计。 我们首先将 ShuffleNet 中的高效 shuffle 块简单地应用于 HRNet（高分辨率网络），从而产生比 MobileNet、ShuffleNet 和 Small HRNet 等流行的轻量级网

关键点检测 HRNet网络详解笔记 0、COCO数据集百度云下载地址1、背景介绍2、HRNet网络结构3、预测结果（heatmap）的可视化3、COCO数据集中标注的17个关键点4、损失的计算5、评价准则6、数据增强7、模型训练 论文名称： Deep High-Resolution Representation Learning for Human Pose Estimation

基本思想：喜提一块爱芯元智芯片，记录一下开发过程，还是先参考，然后在消化、理解、创造， 实验数据链接: https://pan.baidu.com/s/1UyO-cGeq9d6DI_SEPy4ZFg?pwd=kqfp 提取码: kqfp    一、下载镜像，进行刷机，使用官方固件 链接：https://pan.baidu.com/s/1unJJEjm56qOX9pkixK0dtA?pw

写在前面 本系列博客“深浅层特征融合”对几篇出现较新的深浅层特征融合算法进行简要介绍，多为本人的论文笔记，记录了一个深度学习小学生在看论文时想到的问题。 论文题目：Deep High-Resolution Representation Learning for Human Pose Estimation 论文链接：https://arxiv.org/pdf/1902.09212.pdf

转载自 https://www.it610.com/article/1296586736012435456.htm 2D姿态估计整理：从DeepPose到HRNet 2D姿态估计 2D姿态估计（2 Demensional Human Pose Estimation）的目标是定位人体解剖学上的关键点（如肘部、腕部等）或部位。 现阶段人体姿态识别主流的通常有2个思路： 1）Top-Dow