首页
学习
活动
专区
工具
TVP
发布

机器学习算法与理论

专栏作者
57
文章
73737
阅读量
28
订阅数
利用二维图像进行头部姿态估计
3D头部姿态估计(ubuntu操作系统,基于opencv3.2+Dlib19.4+python2.7)打开摄像头,可实现实时(realtime)姿态检测。 坐标变换:世界坐标系旋转、转换矩阵将3D点从
微风、掠过
2018-04-10
2.4K0
基于TP-GAN的侧脸人像恢复
中科院自动化所(CASIA),中科院大学和南昌大学的一项合作研究,提出了双路径 GAN(TP-GAN),通过单一侧面照片合成正面人脸图像,取得了当前较好的结果。研究人员提出了一个像人类一样能够考虑整体和局部信息的 GAN 结构,合成的图像非常逼真且很好地保留了身份特征,并且可以处理大量不同姿势的照片。研究人员指出,这些合成的图像有可能用于人脸分析的任务。 他们受人类视觉识别过程启发,结合对抗生成网络(GAN)的强大性能,提出了一个双路径 GAN(TP-GAN),能够在关注整体结构的同时,处理人脸面部细节,在
微风、掠过
2018-04-10
1.2K0
基于机器学习的疲劳检测
首先,总结一下检测某一特征的方法: (1)模板匹配计算当前帧与模板相同位置处的灰度值或颜色值的差值,通过特定的距离公式来计算匹配程度。 稳定可靠与光照和姿势无关计算量大 (2)区域分割对面部区域进行二值化分割对孤立区域进行标示,再根据几何特征进行定位。(如连通面积等)。 运算量小噪声影响大 (3)对称变换法:DST方向对称变换计算量大 (4)灰度投影法:对人脸图像进行水平和垂直方向的投影,根据波峰波谷分布信息确定眼睛的位置。(将二维换到一维中去)定位速度较快受瞳孔灰度类似的眉毛或头发影响大。 (5)基于统
微风、掠过
2018-04-10
2.1K0
最新姿态估计研究进展
最新姿态估计研究进展 自上而下:就是先检测包含人的框,即human proposal,然后对框子中的人进行姿态估计。一般RCNN(区域CNN就是这个思路) 自下而上:先检测keypoint,然后根据热力图、点与点之间连接的概率,根据图论知识,基于PAF(部分亲和字段)将关键点连接起来,将关键点分组到人。 1、CMU:openpose 研究多人的姿态估计 运行环境:caffe 自下而上, 关键点被分组到人的实例 时间:2.8-3.4fps 开源,Github: https://github.com/CMU-P
微风、掠过
2018-04-10
2.1K0
PAF基于PAF(部分亲和字段)的实时多人2D姿态估计-CMU_openpose
这是CVPR2017的一篇文章。 在本文中,文章通过实时算法来检测图像中多个人的二维姿态。 文章提出了关键点关联的明确的非参数表示,其编码人体肢体的位置和方向。 其次,设计了一个联合学习身体部分检测和身体部分关联的框架。 第三,证明一个贪心解析算法足以产生高质量的身体姿势分析,即使随着图像中人数的增加,效率也会保持高效(但是测试时间会随着人数增加而放缓)。 在文章中展示了代表性的失败案例。本文已经公开发布了我们的代码(包括受过训练的模型),以确保完全可重复性并鼓励在该领域的未来研究。
微风、掠过
2018-04-10
1.9K0
没有更多了
社区活动
RAG七天入门训练营
鹅厂大牛手把手带你上手实战,赢鹅厂证书、公仔好礼!
Python精品学习库
代码在线跑,知识轻松学
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客,速成社区影响力并领取好礼
技术创作特训营·精选知识专栏
往期视频·千货材料·成员作品 最新动态
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档