RSN

RSN

高效聚合特征实现精确人体姿态估计

RSN项目提出Residual Steps Network姿态估计方法,通过聚合同一空间尺度特征获得精细局部表示,实现精确关键点定位。项目引入Pose Refine Machine注意力机制进一步优化关键点位置。RSN在COCO和MPII基准测试中取得领先结果,并在2019年COCO关键点挑战赛中获得第一名和最佳论文奖。该方法在多人姿态估计任务中展现出优异性能。

RSN姿态估计COCO数据集关键点检测计算机视觉Github开源项目

PWC

PWC PWC

PWC PWC

学习多人姿态估计的精细局部表征(ECCV 2020聚焦)

获奖者 最佳论文奖 arXiv 知乎

*这是[残差步骤网络][11]的PyTorch实现,该网络在2019年COCO关键点挑战赛中获胜,并在COCO测试开发集和测试挑战集上排名第一,如[COCO排行榜][1]所示

<div align="center"> <p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/09e30a73-b172-47cf-848f-4a231b1024e4.png" width="410px"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/a6b77d1d-816f-496a-bbb6-feeba5196325.png" width="410px"></p> </div>

新闻

  • 2020年9月: 我们的RSN已被整合到优秀的MMPose框架中。感谢他们的努力。欢迎使用他们的代码库预训练模型库。⭐
  • 2020年7月: 我们的论文被ECCV 2020接收为Spotlight论文 :rocket:
  • 2019年9月: 我们的工作在COCO 2019关键点挑战赛中获得第一名最佳论文奖 :trophy:
<hr />

摘要: 在本文中,我们提出了一种新颖的方法,称为残差步骤网络(RSN)。RSN有效地聚合具有相同空间大小的特征(层内特征),以获得精细的局部表征,保留丰富的低层空间信息,从而实现精确的关键点定位。此外,我们提出了一种高效的注意力机制 - 姿态优化机(PRM)来进一步优化关键点位置。我们的方法在2019年COCO关键点挑战赛中获得第一名,并在COCO和MPII基准测试中取得了最先进的结果,且没有使用额外的训练数据和预训练模型。我们的单一模型在COCO测试开发集上达到78.6,在MPII测试数据集上达到93.0。集成模型在COCO测试开发集上达到79.2,在COCO测试挑战集上达到77.1。

<hr />

残差步骤网络的流程

RSN概述。

姿态优化机的架构

RSN概述。

我们方法在COCO和MPII验证数据集上的一些预测结果

COCO验证集的预测结果。

MPII验证集的预测结果。

结果(原始版本)

COCO验证数据集上的结果

模型输入尺寸GFLOPsAPAP<sup>50</sup>AP<sup>75</sup>AP<sup>M</sup>AP<sup>L</sup>AR
Res-18256x1922.370.789.577.566.875.975.8
RSN-18256x1922.573.690.580.967.879.178.8
RSN-50256x1926.474.791.481.571.080.280.0
RSN-101256x19211.575.892.483.072.181.281.1
2×RSN-50256x19213.977.292.384.073.882.582.2
3×RSN-50256x19220.778.292.385.174.783.783.1
4×RSN-50256x19229.379.092.585.775.284.583.7
4×RSN-50384x28865.979.692.585.875.585.284.2

COCO测试开发数据集上的结果

模型输入尺寸GFLOPsAPAP<sup>50</sup>AP<sup>75</sup>AP<sup>M</sup>AP<sup>L</sup>AR
RSN-18256x1922.571.692.680.368.875.877.7
RSN-50256x1926.472.593.081.369.976.578.8
2×RSN-50256x19213.975.593.684.073.079.681.3
4×RSN-50256x19229.378.094.286.575.382.283.4
4×RSN-50384x28865.978.694.386.675.583.383.8
4×RSN-50<sup>+</sup>--79.294.487.176.183.884.1

COCO测试挑战数据集上的结果

模型输入尺寸GFLOPsAPAP<sup>50</sup>AP<sup>75</sup>AP<sup>M</sup>AP<sup>L</sup>AR
4×RSN-50<sup>+</sup>--77.193.383.672.283.682.6

MPII数据集上的结果

模型分割输入尺寸头部肩部肘部手腕臀部膝盖脚踝平均
4×RSN-50验证256x25696.796.792.388.290.389.085.391.6
4×RSN-50测试256x25698.597.393.989.992.090.686.893.0

结果(Pytorch版本)

COCO验证集结果

模型输入尺寸GFLOPsAPAP<sup>50</sup>AP<sup>75</sup>AP<sup>M</sup>AP<sup>L</sup>AR
Res-18256x1922.365.287.371.561.272.271.3
RSN-18256x1922.570.488.877.767.276.776.5

注意

  • + 表示使用集成模型。
  • 所有模型均在8块V100 GPU上训练。
  • 我们使用自己原创的深度学习平台进行了所有实验,论文中的所有结果都是在这个平台上报告的。它与Pytorch之间存在一些差异。

仓库结构

本仓库的组织结构如下:

$RSN_HOME
|-- cvpack
|
|-- dataset
|   |-- COCO
|   |   |-- det_json
|   |   |-- gt_json
|   |   |-- images
|   |       |-- train2014
|   |       |-- val2014
|   |
|   |-- MPII
|       |-- det_json
|       |-- gt_json
|       |-- images
|   
|-- lib
|   |-- models
|   |-- utils
|
|-- exps
|   |-- exp1
|   |-- exp2
|   |-- ...
|
|-- model_logs
|
|-- README.md
|-- requirements.txt

快速开始

安装

  1. 参考[Pytorch网站][2]安装Pytorch。

  2. 克隆本仓库,并在**/etc/profile~/.bashrc中配置RSN_HOME**,例如:

export RSN_HOME='/path/of/your/cloned/repo'
export PYTHONPATH=$PYTHONPATH:$RSN_HOME
  1. 安装依赖:
pip3 install -r requirements.txt
  1. 参考[cocoapi网站][3]安装COCOAPI,或者:
git clone https://github.com/cocodataset/cocoapi.git $RSN_HOME/lib/COCOAPI
cd $RSN_HOME/lib/COCOAPI/PythonAPI
make install

数据集

COCO

  1. 从[COCO网站][4]下载图片,并将train2014/val2014分别放入**$RSN_HOME/dataset/COCO/images/**。

  2. 从[Google Drive][6]或[百度网盘][10](提取码:fc51)下载ground truth,并放入**$RSN_HOME/dataset/COCO/gt_json/**。

  3. 从[Google Drive][6]或[百度网盘][10](提取码:fc51)下载检测结果,并放入**$RSN_HOME/dataset/COCO/det_json/**。

MPII

  1. 从[MPII网站][5]下载图片,并将图片放入**$RSN_HOME/dataset/MPII/images/**。

  2. 从[Google Drive][6]或[百度网盘][10](提取码:fc51)下载ground truth,并放入**$RSN_HOME/dataset/MPII/gt_json/**。

  3. 从[Google Drive][6]或[百度网盘][10](提取码:fc51)下载检测结果,并放入**$RSN_HOME/dataset/MPII/det_json/**。

日志

创建一个目录来保存日志和模型:

mkdir $RSN_HOME/model_logs

训练

进入指定的实验目录,例如:

cd $RSN_HOME/exps/RSN50.coco

然后运行:

python config.py -log
python -m torch.distributed.launch --nproc_per_node=gpu_num train.py

其中gpu_num是GPU的数量。

测试

python -m torch.distributed.launch --nproc_per_node=gpu_num test.py -i iter_num

其中gpu_num是GPU的数量,iter_num是你想要测试的迭代次数。

引用

如果我们的项目对您的研究有帮助,请考虑在您的出版物中引用它们。

@inproceedings{cai2020learning,
  title={Learning Delicate Local Representations for Multi-Person Pose Estimation},
  author={Yuanhao Cai and Zhicheng Wang and Zhengxiong Luo and Binyi Yin and Angang Du and Haoqian Wang and Xinyu Zhou and Erjin Zhou and Xiangyu Zhang and Jian Sun},
  booktitle={ECCV},
  year={2020}
}

@inproceedings{cai2019res,
  title={Res-steps-net for multi-person pose estimation},
  author={Cai, Yuanhao and Wang, Zhicheng and Yin, Binyi and Yin, Ruihao and Du, Angang and Luo, Zhengxiong and Li, Zeming and Zhou, Xinyu and Yu, Gang and Zhou, Erjin and others},
  booktitle={Joint COCO and Mapillary Workshop at ICCV},
  year={2019}
}

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多