Lightweight-human-pose-estimation.pytorch: Über AP

Hi! Wir haben mit dem Originalmodell aus dem Paper "Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields" verglichen. Wie Sie in Tabelle 4 von Absatz 3.2 sehen können, beträgt der AP 58,4 %. Er erhöht sich auf 61 %, wenn Sie für jede gefundene Person eine zusätzliche Verfeinerung mit einem separaten Modell für die Einzelperson-Posenschätzung (CPM) vornehmen. Und diese 58,4% wurden im Multiskalen-Testmodus (6 Skalen) erhalten. 48,6% des AP werden mit einer einzigen Skala für die Eingabedaten während des Tests erhalten.

Vielen Dank für Ihre Antwort！Was sind 6 Skalen？Es bedeutet, dass eine Anfangsstufe und fünf Verfeinerungsstufen

获取 Outlook für iOS https://aka.ms/o0ukef

发件人: Daniil-Osokin [email protected]
发送时间: Freitag, 18. Dezember 2020 23:14:00
: Daniil-Osokin/lightweight-human-pose-estimation.pytorch [email protected]
: augenstern-lwx [email protected] ; Autor [email protected]
主题: Re: [Daniil-Osokin/lightweight-human-pose-estimation.pytorch] Über AP (#124)

Hi! Wir haben mit dem Originalmodell aus dem Paper "Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields" https://arxiv.org/pdf/1611.08050.pdf verglichen. Wie Sie in Tabelle 4 von Absatz 3.2 sehen können, beträgt der AP 58,4 %. Er erhöht sich auf 61 %, wenn Sie für jede gefundene Person eine zusätzliche Verfeinerung mit einem separaten Modell für die Einzelperson-Posenschätzung (CPM) vornehmen. Und diese 58,4% wurden im Multiskalen-Testmodus (6 Skalen) erhalten. 48,6% des AP werden mit einer einzigen Skala für die Eingabedaten während des Tests erhalten.

Ich
Sie erhalten dies, weil Sie den Thread verfasst haben.
Antworten Sie direkt auf diese E-Mail, zeigen Sie sie auf GitHub https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/issues/124#issuecomment-748143927 an oder melden Sie sich ab https://github.com/ Benachrichtigungen/unsubscribe-auth/AP5B6GF7L7XYMR3P3ZLMBGDSVNWTRANCNFSM4U65RKFQ .

Die Netzwerkinferenz wurde 4 Mal durchgeführt (nicht 6, es ist mein Fehler), jedes Mal mit einer anderen Eingangsbildauflösung (anderer Maßstab). Dann wurden alle Netzwerkausgaben gemittelt. Sie können das Validierungsskript für die Details überprüfen, es unterstützt die Multiskalenoption.

Danke！Warum wurde Multiskalen damals nicht verwendet，immerhin，kann diese Methode höhere AP erreichen？

获取 Outlook für iOS https://aka.ms/o0ukef

发件人: Daniil-Osokin [email protected]
: Samstag, 19. Dezember 2020 05:18:55
: Daniil-Osokin/lightweight-human-pose-estimation.pytorch [email protected]
: augenstern-lwx [email protected] ; Autor [email protected]
主题: Re: [Daniil-Osokin/lightweight-human-pose-estimation.pytorch] Über AP (#124)

Die Netzwerkinferenz wurde 4 Mal durchgeführt (nicht 6, es ist mein Fehler), jedes Mal mit einer anderen Eingangsbildauflösung (anderer Maßstab). Dann wurden alle Netzwerkausgaben gemittelt. Sie können das Validierungsskript https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/blob/2df5db059db1a043169b65b633d7bb3b8efd13a6/val.py#L117 für die Details überprüfen, es unterstützt die Multi-Scale-Option.

Ich
Sie erhalten dies, weil Sie den Thread verfasst haben.
Antworten Sie direkt auf diese E-Mail, zeigen Sie sie auf GitHub https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/issues/124#issuecomment-748324241 an oder melden Sie sich ab https://github.com/ Benachrichtigungen/unsubscribe-auth/AP5B6GHRN44MSCXSFQTIEN3SVPBL7ANCNFSM4U65RKFQ .

Und ich frage mich, ob sich die Verlustfunktion von der ursprünglichen OpenPose unterscheidet?

Holen Sie sich Outlook für iOS https://aka.ms/o0ukef

Von: Lee Wen Hsing [email protected]
Sendezeit: Samstag, 19. Dezember 2020 10:39:10
Empfänger: Daniil-Osokin/lightweight-human-pose-estimation.pytorch [email protected] ; Daniil-Osokin/lightweight-human-pose-estimation.pytorch [email protected]. com
Cc: Autor [email protected]
Betreff: Re: [Daniil-Osokin/lightweight-human-pose-estimation.pytorch] Über AP (#124)

Dankeschön! Warum wurde Multiskalen damals noch nicht verwendet, kann man doch mit dieser Methode höhere AP erreichen?

Holen Sie sich Outlook für iOS https://aka.ms/o0ukef

Von: Daniil-Osokin [email protected]
Sendezeit: Samstag, 19. Dezember 2020 5:18:55
Empfänger: Daniil-Osokin/lightweight-human-pose-estimation.pytorch [email protected]
Cc: augenstern-lwx [email protected] ; Autor [email protected]
Betreff: Re: [Daniil-Osokin/lightweight-human-pose-estimation.pytorch] Über AP (#124)

Die Netzwerkinferenz wurde 4 Mal durchgeführt (nicht 6, es ist mein Fehler), jedes Mal mit einer anderen Eingangsbildauflösung (anderer Maßstab). Dann wurden alle Netzwerkausgaben gemittelt. Sie können das Validierungsskript https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/blob/2df5db059db1a043169b65b633d7bb3b8efd13a6/val.py#L117 für die Details überprüfen, es unterstützt die Multi-Scale-Option.

Ich
Sie erhalten dies, weil Sie den Thread verfasst haben.
Antworten Sie direkt auf diese E-Mail, zeigen Sie sie auf GitHub https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/issues/124#issuecomment-748324241 an oder melden Sie sich ab https://github.com/ Benachrichtigungen/unsubscribe-auth/AP5B6GHRN44MSCXSFQTIEN3SVPBL7ANCNFSM4U65RKFQ .

Die Verwendung einer oder mehrerer Skalen für die Inferenz ist ein Kompromiss zwischen Geschwindigkeit und Genauigkeit. Die Verlustfunktion ist die gleiche.

Danke, ich würde gerne wissen, wie der Verlust nach der Kombination von Heatmaps und PAFs-Stufen berechnet wird？Weil die ursprüngliche OpenPose in zwei Stufen berechnet wird.

Es ist nur die Summe aller Verluste für Heatmaps und Pafs. Weitere Informationen finden Sie im Schulungsskript .

Dankeschön.

获取 Outlook für iOS https://aka.ms/o0ukef

发件人: Daniil-Osokin [email protected]
发送时间: Sonntag, 20. Dezember 2020 23:23:10
: Daniil-Osokin/lightweight-human-pose-estimation.pytorch [email protected]
: augenstern-lwx [email protected] ; Autor [email protected]
主题: Re: [Daniil-Osokin/lightweight-human-pose-estimation.pytorch] Über AP (#124)

Es ist nur die Summe aller Verluste für Heatmaps und Pafs. Weitere Informationen finden Sie im Trainingsskript https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/blob/master/train.py .

Ich
Sie erhalten dies, weil Sie den Thread verfasst haben.
Antworten Sie direkt auf diese E-Mail, zeigen Sie sie auf GitHub https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/issues/124#issuecomment-748621504 an oder melden Sie sich ab https://github.com/ Benachrichtigungen/unsubscribe-auth/AP5B6GEFLZNRTCBE4U5PCRLSVYJF5ANCNFSM4U65RKFQ .