Lightweight-human-pose-estimation.pytorch: Versuch mit MobileNet-V2

Bitte überprüfen Sie das Papier. Kurz gesagt, es gab keine Verbesserung der Geschwindigkeit/Genauigkeit.

Ich habe es überprüft. Ich habe jedoch versucht, MobileNetV2 in Ihrem Algorithmus zu implementieren. Ich bekomme Fehler. Kannst du bitte den Code teilen?
Vielen Dank,

Oder wenn Sie das vortrainierte Modell für MobileNet V2 teilen könnten, wäre das auch großartig!

Ich habe diesen Code nicht. Sie können den Fehler posten, möglicherweise ist es möglich, ihn zu debuggen.

Okay. Dankeschön!

Ich habe Ihr Papier zu dieser Implementierung gelesen und habe eine Frage. Was bedeutet „cut to conv4_1“, „cut to conv5_5“ usw. in der MobileNet-Backbone-Auswahl?

Dies bedeutet, wie viele Schichten vom Backbone genommen werden. MobileNet v1 hat 6 Blöcke, die aus tiefenweisen Faltungen und 1x1 punktweisen Faltungen bestehen. Nach jedem Blockschritt wird wachsen (es gibt Faltung mit Schritt == 2). Die erste Zahl conv 5 _5 ist der Blockindex, die zweite conv5_ 5 ist der Faltungsindex (tiefe + punktweise) innerhalb des Blocks. Wir entfernen den Schritt in conv4_2 und fügen die Dilatation in conv5_1 hinzu, Sie können dies im Code überprüfen.

Cool. Das erklärt vieles.

Noch einmal vielen Dank!

Gern geschehen!

Gibt es eine bestimmte Methode, um GLOPS und Anzahl der Parameter zu berechnen? Ich plane die Verwendung von https://github.com/sovrasov/flops-counter.pytorch

Dieser ist in Ordnung, sieht aus, als hätten wir ihn benutzt. Sie können es auch über pip installieren.