Bonjour, merci pour votre travail ! J'ai une question. Pourquoi la précision est-elle de 61,8 dans l'article OpenPose original et de 48,6 dans votre analyse de l'OpenPose original ?
Salut! Nous avons comparé avec le modèle original de l'article "Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields" . Comme vous pouvez le voir dans le tableau 4 du paragraphe 3.2, l'AP est de 58,4 %. Il passera à 61 % si vous effectuez un raffinement supplémentaire pour chaque personne trouvée avec un modèle distinct pour l'estimation de la pose d'une seule personne (CPM). Et ces 58,4% ont été obtenus en mode de test multi-échelle (6 échelles). 48,6 % de l'AP est obtenu en utilisant une seule échelle pour les données d'entrée lors des tests.
Merci pour votre réponse, qu'est-ce que 6 échelles? Cela signifie qu'une étape initiale et cinq étapes de raffinement
获取 Outlook pour iOS https://aka.ms/o0ukef
发件人: Daniil-Osokin [email protected]
发送时间: vendredi 18 décembre 2020 23:14:00
: Daniil-Osokin/lightweight-human-pose-estimation.pytorch [email protected]
: augenstern-lwx [email protected] ; Auteur [email protected]
主题: Re: [Daniil-Osokin/lightweight-human-pose-estimation.pytorch] À propos d'AP (#124)
Salut! Nous avons comparé avec le modèle original de l'article "Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields" https://arxiv.org/pdf/1611.08050.pdf . Comme vous pouvez le voir dans le tableau 4 du paragraphe 3.2, l'AP est de 58,4 %. Il passera à 61 % si vous effectuez un raffinement supplémentaire pour chaque personne trouvée avec un modèle distinct pour l'estimation de la pose d'une seule personne (CPM). Et ces 58,4% ont été obtenus en mode de test multi-échelle (6 échelles). 48,6 % de l'AP est obtenu en utilisant une seule échelle pour les données d'entrée lors des tests.
??
Vous recevez ceci parce que vous avez créé le fil.
Répondez directement à cet e-mail, consultez-le sur GitHub https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/issues/124#issuecomment-748143927 , ou désabonnez-vous https://github.com/ notifications/unsubscribe-auth/AP5B6GF7L7XYMR3P3ZLMBGDSVNWTRANCNFSM4U65RKFQ .
L'inférence de réseau a été effectuée 4 fois (pas 6, c'est mon erreur), à chaque fois avec une résolution d'image d'entrée différente (échelle différente). Ensuite, toutes les sorties du réseau ont été moyennées. Vous pouvez vérifier le script de validation pour les détails, il prend en charge l'option multi-échelle.
Merci!Pourquoi les multi-échelles n'ont-elles pas été utilisées à ce moment-là,après tout,cette méthode peut atteindre un AP plus élevé?
获取 Outlook pour iOS https://aka.ms/o0ukef
发件人: Daniil-Osokin [email protected]
: samedi 19 décembre 2020 05:18:55
: Daniil-Osokin/lightweight-human-pose-estimation.pytorch [email protected]
: augenstern-lwx [email protected] ; Auteur [email protected]
主题: Re: [Daniil-Osokin/lightweight-human-pose-estimation.pytorch] À propos d'AP (#124)
L'inférence de réseau a été effectuée 4 fois (pas 6, c'est mon erreur), à chaque fois avec une résolution d'image d'entrée différente (échelle différente). Ensuite, toutes les sorties du réseau ont été moyennées. Vous pouvez consulter le script de validation https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/blob/2df5db059db1a043169b65b633d7bb3b8efd13a6/val.py#L117 pour les détails, il prend en charge l'option multi-échelle.
??
Vous recevez ceci parce que vous avez créé le fil.
Répondez directement à cet e-mail, consultez-le sur GitHub https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/issues/124#issuecomment-748324241 , ou désabonnez-vous https://github.com/ notifications/unsubscribe-auth/AP5B6GHRN44MSCXSFQTIEN3SVPBL7ANCNFSM4U65RKFQ .
Et je me demande si la fonction de perte est différente de l'OpenPose d'origine ?
Obtenez Outlook pour iOS https://aka.ms/o0ukef
De : Lee Wen Hsing [email protected]
Heure d'envoi : samedi 19 décembre 2020 10:39:10
Destinataire : Daniil-Osokin/lightweight-human-pose-estimation.pytorch [email protected] ; Daniil-Osokin/lightweight-human-pose-estimation.pytorch [email protected]. com
Cc : Auteur [email protected]
Objet : Re : [Daniil-Osokin/lightweight-human-pose-estimation.pytorch] À propos d'AP (#124)
Merci! Pourquoi les multi-échelles n'ont-elles pas été utilisées à ce moment-là, après tout, cette méthode peut atteindre des PA plus élevés ?
Obtenez Outlook pour iOS https://aka.ms/o0ukef
De : Daniil-Osokin [email protected]
Heure d'envoi : samedi 19 décembre 2020 05:18:55
Destinataire : Daniil-Osokin/lightweight-human-pose-estimation.pytorch [email protected]
Cc : augenstern-lwx [email protected] ; Auteur [email protected]
Objet : Re : [Daniil-Osokin/lightweight-human-pose-estimation.pytorch] À propos d'AP (#124)
L'inférence de réseau a été effectuée 4 fois (pas 6, c'est mon erreur), à chaque fois avec une résolution d'image d'entrée différente (échelle différente). Ensuite, toutes les sorties du réseau ont été moyennées. Vous pouvez consulter le script de validation https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/blob/2df5db059db1a043169b65b633d7bb3b8efd13a6/val.py#L117 pour les détails, il prend en charge l'option multi-échelle.
??
Vous recevez ceci parce que vous avez créé le fil.
Répondez directement à cet e-mail, consultez-le sur GitHub https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/issues/124#issuecomment-748324241 , ou désabonnez-vous https://github.com/ notifications/unsubscribe-auth/AP5B6GHRN44MSCXSFQTIEN3SVPBL7ANCNFSM4U65RKFQ .
L'utilisation d'échelles simples ou multiples pour l'inférence est un compromis vitesse/précision. La fonction de perte est la même.
Merci, j'aimerais savoir comment calculer la perte après la combinaison des étapes Heatmaps et PAF?Parce que l'OpenPose d'origine est calculé en deux étapes.
C'est juste une somme de toutes les pertes pour les cartes thermiques et les PAF. Vous pouvez consulter le script de formation pour plus de détails.
Merci.
获取 Outlook pour iOS https://aka.ms/o0ukef
发件人: Daniil-Osokin [email protected]
: dimanche 20 décembre 2020 23:23:10
: Daniil-Osokin/lightweight-human-pose-estimation.pytorch [email protected]
: augenstern-lwx [email protected] ; Auteur [email protected]
主题: Re: [Daniil-Osokin/lightweight-human-pose-estimation.pytorch] À propos d'AP (#124)
C'est juste une somme de toutes les pertes pour les cartes thermiques et les PAF. Vous pouvez consulter le script de formation https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/blob/master/train.py pour plus de détails.
??
Vous recevez ceci parce que vous avez créé le fil.
Répondez directement à cet e-mail, consultez-le sur GitHub https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/issues/124#issuecomment-748621504 , ou désabonnez-vous https://github.com/ notifications/unsubscribe-auth/AP5B6GEFLZNRTCBE4U5PCRLSVYJF5ANCNFSM4U65RKFQ .
Commentaire le plus utile
Merci.
获取 Outlook pour iOS https://aka.ms/o0ukef
发件人: Daniil-Osokin [email protected]
: dimanche 20 décembre 2020 23:23:10
: Daniil-Osokin/lightweight-human-pose-estimation.pytorch [email protected]
: augenstern-lwx [email protected] ; Auteur [email protected]
主题: Re: [Daniil-Osokin/lightweight-human-pose-estimation.pytorch] À propos d'AP (#124)
C'est juste une somme de toutes les pertes pour les cartes thermiques et les PAF. Vous pouvez consulter le script de formation https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/blob/master/train.py pour plus de détails.
??
Vous recevez ceci parce que vous avez créé le fil.
Répondez directement à cet e-mail, consultez-le sur GitHub https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/issues/124#issuecomment-748621504 , ou désabonnez-vous https://github.com/ notifications/unsubscribe-auth/AP5B6GEFLZNRTCBE4U5PCRLSVYJF5ANCNFSM4U65RKFQ .