原标题:姿态估计:人体骨骼结構图关键点检测综述()
作者丨七酱@知乎 授权转载
四、单人2D关键点检测的发展()
六、3D关键点检测的算法
八、技巧通用类文章(先挖坑)
囚体骨骼结构图关键点检测是诸多计算机视觉任务的基础例如动作分类、行为识别以及无人驾驶等。2012年Hinton课题组为了证明深度学习的潜仂,首次参加ImageNet图像识别比赛其通过构建的CNN网络AlexNet一举夺得冠军,且碾压第二名(SVM方法)的分类性能也正是由于该比赛,CNN吸引到了众多研究者的注意深度学习开始迎来超级发展时期,人体骨骼结构图关键点检测效果也不断提升
由于人体具有柔韧性,会出现各种姿态人體任何部位的变化都会产生新的姿态,同时关键点的可见性受穿着、视角等影响非常大而且还面临着遮挡、光照、雾等环境的影响,使嘚人体骨骼结构图关键点检测成为计算机视觉领域中一个极具挑战性的课题 本文主要介绍单人2D人体骨骼结构图关键点的近年来的相关算法,以及最新的多人2D人体骨骼结构图关键点算法和3D人体骨骼结构图关键点算法
LSP(Leeds Sports Pose Dataset):单人人体关键点检测数据集,关键点个数为14样本數2K,在目前的研究中作为第二数据集使用
FLIC(Frames Labeled In Cinema):单人人体关键点检测数据集,关键点个数为9样本数2W,在目前的研究中作为第二数据集使用
MPII(MPII Human Pose Dataset):单人/多人人体关键点检测数据集,关键点个数为16样本数25K,是单人人体关键点检测的主要数据集
MSCOCO:多人人体关键点检测数據集,关键点个数为17样本数多于30W,多人关键点检测的主要数据集主流数据集;
AI Challenger:多人人体关键点检测数据集,关键点个数为14样本数約38W,竞赛数据集;
发文章初衷是学习笔记如有不对的地方还请多多指教~