通过对热图引导的自适应关键点估计值进行排序来实现自下而上的人体姿势估计 介绍 在这项工作中，我们提出了一些在改善关键点检测和分组（关键点回归）性能上很少或不深入研究的方案。 首先，我们利用关键点热图进行逐像素关键点回归，而不是将它们分开以改善关键点回归。 其次，我们采用像素级空间变换器网络来学习自适应表示，以处理比例和方向方差，从而进一步提高关键点回归质量。 最后，我们提出了一种联合形状和热值评分方案，以促进估计的姿势更可能是真实姿势。 结合权衡热图估计损失以平衡背景像素和关键点像素，从而提高热图估计质量，我们可以获得最先进的自下而上的人体姿势估计结果。 主要结果 不进行多尺度测试的COCO val2017结果 骨干 输入尺寸 #Params GFLOPs 美联社 Ap .5 AP .75 AP（男） AP（长） 增强现实 AR .5 AR .75 手臂） AR（左）

通过3D密集人脸重建实现稳定的头部姿势估计和地标回归 通过Tensorflow Lite框架，人脸网格，头部姿势，界标等，重新实现。 CPU实时人脸检测，对齐和重建管线。 轻量级渲染库，比工具快5倍（3对 。 通过单个网络的相机矩阵和密集/稀疏地标预测。 生成面部参数以实现可靠的头部姿势和表情估计。 设置 基本要求 Python 3.6+ pip3 install -r requirements.txt 渲染致密脸 GCC 6.0+ bash build_render.sh （谨慎）对于Windows用户，请参考以获取更多详细信息。 3D人脸地标 在这个项目中，我们通过3DMM参数回归进行密集人脸重建。 回归目标简化为相机矩阵（ C ，形状为3x4），外观参数（ S ，形状为1x40）和表达变量（ E ，形状为1x10），共有62个维度。 可以通过将这些参数应用于预定义的

openpifpaf 经过Linux，MacOS和Windows的持续测试： ： OpenPifPaf：用于语义关键点检测和时空关联的复合字段（ ，（ ，（ ，2021年。 许多基于图像的感知任务可以公式化为检测，关联和跟踪语义关键点，例如人体姿势估计和跟踪。 在这项工作中，我们提出了一个通用框架，该框架可以在单个阶段中共同检测并形成时空关键点关联，这使其成为第一个实时姿势检测和跟踪算法。 我们提出了一种通用的神经网络体系结构，该体系结构使用Composite Fields来检测和构建时空姿势，该姿势是一个单独的连接图，其连接点是多个帧中的语义关键点（例如人的身体关节）。 对于时间关联，我们引入了时间复合关联字段（TCAF），它需要扩展的网络体系结构和训练方法，而不是以前的复合字段。 我们的实验显示出竞争准确性，同时在多个公开可用的数据集（例如COCO，CrowdPose以及

pose_estimation_odom：这是针对移动机器人的ROS软件包，该机器人使用三个节点通过里程表进行姿势和方向估计

基于COCO数据集的人体姿势估计 该存储库包含使用深度神经网络执行人体姿态估计的SENG 474数据挖掘项目的在建项目。 下面是我们项目建议的简短摘录。 问题 人体姿态估计（HPE）是识别人体关键点以构建人体模型的问题领域。 许多现有系统接受图像作为输入，有些实现接受诸如点云和视频之类的格式。 HPE的应用广泛且使许多行业受益。 特别是，HPE在电影和游戏行业中均用于动画。 HPE的更险恶的应用可用于识别多个帧（即视频）上的个人。 HPE的另一个子集是手势估计，可用于翻译手语。 由于诸多挑战，HPE是一个困难的问题领域。 这些包括人类外观和体格的变化，环境光照和天气，其他物体的遮挡，关节重叠的自我遮挡，人体骨骼运动的复杂性以及2D图像输入的固有信息丢失[1]。 这个很大程度上未解决的问题使我们能够探索许多新颖和创造性的方法，从而丰富我们的学习经验。 我们很高兴探索这些应用程序，但是我们决定

LoFTR：与变压器互不影响的无检测器局部特征 | LoFTR：与变压器互不干扰的本地特征匹配*，*， *，，CVPR 2021 代码发布ETA 我们计划在接下来的一周内发布仅推理的代码和预训练的模型，敬请期待。 用于数据预处理，培训和验证的整个代码库正在进行重大重构，并将于6月左右发布。 如果您希望收到代码发布的通知，请订阅。 同时，在中欢迎对该文件进行。 引文 如果您发现此代码对您的研究有用，请使用以下BibTeX条目。 @article{sun2021loftr, title={{LoFTR}: Detector-Free Local Feature Matching with Transformers}, author={Sun, Jiaming and Shen, Zehong and Wang, Yuang and Bao, Hujun and Zhou, Xiao

DeepLabCut是一个工具箱，用于无标记地估计执行各种任务的动物的姿势。 。 只要您可以看到（标记）要跟踪的内容，就可以使用此工具箱，因为它与动物和物体无关。 最新更新： :purple_heart: DeepLabCut支持多动物姿势估计（BETA版本，请给我们提供反馈！ pip install deeplabcut==2.2b8 ）。 :purple_heart: 我们有一个实时软件包！ 快速pip install deeplabcut ： pip install deeplabcut 您还需要tensorflow和wxPython参见 项目管理的管道和工作流程的概述。 有关循序渐进的用户指南，请阅读《！ 为了更深入地

DeepLab直播！ 软件开发工具包 该软件包包含用于具有最少（软件）依赖性的实时应用程序的推理管道。 因此，安装尽可能容易（尤其是在非典型系统（如）上）。 性能：如果要查看在给定不同视频大小，神经网络类型和硬件的情况下模型应如何执行的估算，请参阅： : 如果您使用的是其他硬件，也请考虑提交结果！ https://github.com/DeepLabCut/DLC-inferencespeed-benchmark 该SDK提供的功能：该软件包提供了DLCLive类，该类使在线姿势估计能够提供反馈。 该对象将加载并准备DeepLabCut网络以进行推理，并将返回单个图像的预测姿势。 为了对姿势进行处理（例如，根据动物的当前姿势预测动物的未来姿势，或触发外部硬件，例如将TTL脉冲发送到激光器以进行光遗传学刺激），该对象将加入Processor对象。 处理器对象必须包含两种方法：处

pytorch-openpose 的pytorch实施包括身体和手姿态估计，并且pytorch模型直接从转换 caffemodel通过 。 如果您有兴趣，也可以用相同的方法实现人脸关键点检测。请注意，人脸关键点检测器是使用[Simon等人，2003年。 2017]。 openpose通过身体姿势估计的结果来检测手，请参考的代码。 在本文中，它表示为： This is an important detail: to use the keypoint detector in any practical situation, we need a way to generate this bounding box. We directly use the body pose estimation models from [29] and [4], and use the wrist a

MotioNet 该库提供的源代码[[Transaction on Graphics（ToG）2020]，这是一种运动学的深度神经网络，可以从单眼视频中重建3D骨骼人体运动。 基于通用运动表示设计的网络及其直接输出可以转换为bvh文件，而无需任何后处理步骤。 MotioNet：具有骨架一致性的单眼视频的3D人体运动重构：| | 先决条件 Linux 的Python 3 NVIDIA GPU + CUDA CuDNN 2D姿势检测工具（用于评估野生视频，现在支持： ） 根据您的Cuda版本，选择合适的版本并安装它，然后运行以下命令来安装其他软件包： pip install -r requirements.txt 快速开始 我们提供了一个预训练的模型和一些演示示例，这些示例演示了我们的框架是如何工作的。 为了运行演示，请从 下载1.预训练的模型并将其放置在./checkpoin