Lightweight-human-pose-estimation.pytorch: Probar con MobileNet-V2

Por favor revise el papel. En resumen, no proporcionó ninguna mejora de velocidad / precisión.

Lo comprobé. Sin embargo, estaba intentando implementar MobileNetV2 en su algoritmo. Recibo errores. ¿Puedes compartir el código por favor?
Gracias,

O si puede compartir el modelo previamente entrenado para MobileNet V2, ¡eso también sería genial!

No tengo este código. Puede publicar el error, puede ser posible depurarlo.

Bueno. ¡Gracias!

Leí su artículo sobre esta implementación y tengo una pregunta. ¿Qué significa "cortar a conv4_1", "cortar a conv5_5", etc. en la selección de la red troncal de MobileNet?

Esto significa cuántas capas de la columna vertebral toman. MobileNet v1 tiene 6 bloques, que consisten en convoluciones en profundidad y convoluciones puntuales 1x1. Después de cada paso de bloque crece (hay convolución con paso == 2). El primer número conv 5 _5 es el índice de bloque, el segundo conv5_ 5 es el índice de convolución (en profundidad + puntual) dentro del bloque. Eliminamos el paso en conv4_2 y agregamos dilatación en conv5_1, puedes verificarlo en el código .

Frio. Esto explica muchas cosas.

¡Gracias una vez más!

¡De nada!

¿Hay alguna forma específica en la que calculó GLOPS y Número de parámetros? Estoy planeando usar https://github.com/sovrasov/flops-counter.pytorch

Este está bien, parece que lo hemos usado. También puede instalarlo a través de pip .