CN111027549A - 一种针对女上装关键点识别方法 - Google Patents
一种针对女上装关键点识别方法 Download PDFInfo
- Publication number
- CN111027549A CN111027549A CN201911261021.8A CN201911261021A CN111027549A CN 111027549 A CN111027549 A CN 111027549A CN 201911261021 A CN201911261021 A CN 201911261021A CN 111027549 A CN111027549 A CN 111027549A
- Authority
- CN
- China
- Prior art keywords
- women
- model
- data
- key points
- key point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
一种针对女上装的关键点识别方法,包括:建立一个针对女上装的关键点检测模型;其中所述模型的建立方法如下:数据流的输入:通过将网络图片爬取下来加以数据清洗,过滤出符合要求的女上装模型训练图片;在预处理数据阶段进行数据增强;使用ResNet50‑FPN作为特征提取主干进行提取特征;通过RPN网络提取出RoI,并使用RoI Align技术对齐像素;修改原始Mask R‑CNN模型,将其中的掩膜分支修改为关键点检测分支;输出目标类别、目标边框和目标的关键点。
Description
技术领域
本发明涉及服装时尚分析技术领域,尤其涉及一种针对女上装关键点识别方法。
背景技术
服装是目前最具商业利益和增长潜力的产业之一,服装时尚分析引起了工业界和学术界的广泛关注,包括服装解析、服装图像检索、服装搭配推荐等。然而大量的服装图像由用户自行拍摄,图像中服装单品的展示效果受到拍摄光线、拍摄角度以及模特姿势等因素的影响,会出现服装形变或部分关键区域被遮挡等现象。这给服装特征提取过程带来了很大困难,从而进一步影响了服装解析等应用的准确性。对服装的关键区域进行识别可以有效缓解服装单品形变及遮挡对特征提取的影响。
根据关键区域的界定方法,服装关键区域识别的相关工作可以分为三类:边界框定法、人体关键点识别法及服装关键点识别法。边界框定方法将目标服装所在的区域从图像中识别出来,用矩形框进行界定,以减少背景等因素对下一步特征提取的影响。现有技术中在R-CNN基础上结合服装目标的特性进行了改进,采用树形结构的属性自适应网络描述特征,在此基础上使用支持向量回归(SVR)预测各候选框的交并比,从而进一步定位服装的界定区域。边界框定方法的实现方法相对容易,然而当图片中人体的姿态较为复杂时,部分服装关键区域会出现形变遮挡,此时在矩形框界定的服装区域内直接提取特征将会导致后续的预测准确率降低。人体关键点识别方法将关注点放到穿着服装的人体身上,通过检测人体的躯干、四肢等关键部位来分析相关区域上的服装特征。基于Marcin Eichner团队所提出的人体姿态估计方法实现人体关键节点的检测,将服装区域与人体关键部分关联并划分为:躯干、左右上臂及左右下臂、左右腿上部和左右腿下部九个部分。人体关键节点识别法借助人体的关键点实现服装关键部分的检测,当图像中的人体姿态复杂时仍然能够检测出相关部位的服装特征。然而,当部分区域出现遮挡时,这类方法无法有效表达出相关的特征。服装关键点识别法以服装为中心,直接检测服装各功能区域的关键点。不同的服装种类其功能区域设置也不相同,因此针对不同的种类要设置不同的关键点体系。DeepFahion针对上半身服装、下半身服装以及全身服装分别设置了最多8个、4个和8个关键点,关键点个数根据图像中服装的形变和被遮挡程度进行调整,并设计了DFA(Deep FashionAlignment)网络实现关键点检测。相对于边界框定法及人体关键点检测法,DeepFashion在人体姿态复杂导致的形变遮挡具有更好的适应性,然而其对服装的分类较为简单,且关键点个数设置较少,因此对服装的设计细节表达力收到了限制。
发明内容
为解决上述技术问题,本发明提供了一种针对女上装关键点识别方法,通过建立一个专门针对于女上装的关键点检测模型,在人体姿态复杂情况下使用本模型仍可以得到有效的关键点检测。
一种针对女上装关键点识别方法,包括:建立一个针对女上装的关键点检测模型;其中所述模型的建立方法如下:
数据流的输入:通过将网络电商图片爬取下来加以数据清洗,过滤出符合要求的女上装模型训练图片;
在预处理数据阶段进行数据增强;
使用ResNet50-FPN作为特征提取主干进行提取特征;
通过RPN网络提取出RoI,并使用RoI Align技术对齐像素;
修改原始Mask R-CNN模型,将其中的掩膜分支修改为关键点检测分支;
输出目标类别、目标边框和目标的关键点。
进一步,在进行所述预处理数据时,通过目标检测方法将训练图片中的小目标检测后加以裁剪,并重设大小将其成为新的训练图片。
进一步,所述数据增强为通过对原始训练图片进行垂直翻转和缩放。
进一步,所述缩放的缩放比例为0.5-0.9。
进一步,所述RPN网络提取通过在特征提取阶段卷积得到的公共特征图上滑动窗口,在每个划动的位置产生出若干个锚点,将这些锚点进行前景、背景分类、边框回归,之后进行非极大值抑制法筛选出最佳区域框。
进一步,所述针对女上装的关键点检测模型主要用于检测非固定大小图片中女上装中15个关键点位置,分别为:领口前侧、左右侧;肩膀左右侧;腋下左右侧;左右袖口里外侧;下摆左右侧;左右腰侧。
本发明一种针对女上装关键点识别方法,通过建立一种针对于女上装的关键点检测模型,来选取具有代表性的针对女上装的多个关键点,有效的表达了服装细节,在人体姿态复杂情况下使用本模型仍可以得到有效的关键点检测。
同时,本发明采取数据增强方式来抵抗过拟合,增强模型的泛化能力;本发明采用ResNet50-FPN作为图片特征提取主干网络,其中ResNet50通过更深的网络来使得特征提取性能更优,同时通过残差网络连接保证了训练更深层的网络而性能不会退化;FPN的提出是为了实现更好的feature maps融合,一般的网络都是直接使用最后一层的feature maps,虽然最后一层的feature maps 语义强,但是位置和分辨率都比较低,容易检测不到比较小的物体。FPN的功能就是融合了底层到高层的feature maps,从而充分的利用了提取到的各个阶段的特征;本发明采用RPN网络使得检测速度实现了质的提升;本发明采取了像素对齐技术,使得预测的关键点位置和原图像素对应,大大提高了关键点预测精准度。
附图说明
图1为本发明中整体的网络构成框架图;
图2为ResNet50的框架图。
具体实施方式
为了能够更加详尽地了解本发明实施例的特点与技术内容,下面结合附图对本发明实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本发明实施例。
为清楚地说明本发明的设计思想,下面结合实施例对本发明进行说明。
如图1所示,一种针对女上装关键点识别方法,包括:建立一个针对女上装的关键点检测模型;其中所述模型的建立方法如下:
第一步、数据流的输入:通过将网络电商图片爬取下来加以数据清洗,过滤出符合要求的女上装模型训练图片;
第二步、在预处理数据阶段进行数据增强;
第三步、使用ResNet50-FPN作为特征提取主干进行提取特征;
第四步、通过RPN网络提取出RoI,并使用RoI Align技术对齐像素;
第五步、修改原始Mask R-CNN模型,将其中的掩膜分支修改为关键点检测分支;
第六步、输出目标类别、目标边框和目标的关键点。
上述示例中,在第一步数据流的输入过程中,通过将网络电商图片爬取下来加以数据清洗,过滤出符合要求的女上装模型训练图片,之后进入预处理数据阶段,在该步骤中,先进行目标检测,即通过目标检测方法先将个别训练图片中的小目标检测后加以裁剪,并重设大小将其成为新的训练图片,这样通过增大输入图片的有效区域以有效减小训练误差;为了增强模型的泛化能力以及对抗过拟合现象,引入了数据增强操作,即通过对原始训练图片进行垂直翻转和缩放,缩放比例在0.5-0.9的范围内进行随机选取;将经过数据增强的图片与原图片一起送入网络中进行训练。
之后在第三步骤中,选取ResNet50-FPN作为特征提取主干。一般情况下,模型性能会随着网络层数的加深而有所提高,然而当网络层数很深的时候,模型的表现性能反而下降,而ResNet通过跳转链接保留残差结果保证网络性能在网络层数加深的情况下不会降低。如图2所示,ResNet在图像特征提取过程中有5个阶段,这五个阶段提取出不同维度、不同分辨率的特征图(C1-C5);FPN 的提出是为了实现更好的特征融合,一般的网络都是直接使用最后一层的特征图,虽然最后一层的特征图的语义强,但是位置和分辨率都比较低,容易检测不到比较小的物体,FPN的功能就是融合了ResNet50提取出的底层到高层的不同分辨率的特征图(C2-C5),从而充分的利用了提取到的各个阶段的特征。
第四步骤中,RPN的选取是为了提取候选框以节省计算资源与时间,通过在特征提取阶段卷积得到的公共特征图上滑动窗口,在每个划动的位置产生出 K个锚点,之后再将这些锚点进行前景、背景分类、边框回归,之后进行非极大值抑制法筛选出最佳区域框。而RoI Align方法是通过引入双线性插值,将每次的池化操作中的量化误差消除,从而在像素级别上实现了目标对齐,这在像素级别上的关键点预测中是至关重要的。
在第五步骤中,使用在大型图形分类数据集预训练好的女上装分类模型,微调针对女上装的分类模块。通过将Mask R-CNN中的掩膜分支修改为关键点检测分支,此检测分支的训练目标为单像素关键点:若关键点不存在则输出-1;若关键点存在但不可见则输出0;若关键点既存在又可见则输出1。最后经过在训练集标注的有监督学习下进行大规模迭代训练,最终得出期望模型。
最后输出目标类别、目标边框和目标的关键点,完成对于目标的关键点识别,针对女上装的关键点检测模型主要用于检测非固定大小图片中女上装中15 个关键点位置,分别为:领口前侧、左右侧;肩膀左右侧;腋下左右侧;左右袖口里外侧;下摆左右侧;左右腰侧。
上述示例中,本发明一种针对女上装关键点识别方法,通过建立一种针对于女上装的关键点检测模型,来选取具有代表性的针对女上装的多个关键点,有效的表达了服装细节,在人体姿态复杂情况下使用本模型仍可以得到有效的关键点检测。
同时,本发明采取数据增强方式来抵抗过拟合,增强模型的泛化能力;本发明采用ResNet50-FPN作为图片特征提取主干网络,其中ResNet50通过更深的网络来使得特征提取性能更优,同时通过残差网络连接保证了训练更深层的网络而性能不会退化;FPN的提出是为了实现更好的feature maps融合,一般的网络都是直接使用最后一层的feature maps,虽然最后一层的feature maps 语义强,但是位置和分辨率都比较低,容易检测不到比较小的物体。FPN的功能就是融合了底层到高层的feature maps,从而充分的利用了提取到的各个阶段的特征;本发明采用RPN网络使得检测速度实现了质的提升;本发明采取了像素对齐技术,使得预测的关键点位置和原图像素对应,大大提高了关键点预测精准度。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种针对女上装关键点识别方法,其特征在于,包括:建立一个针对女上装的关键点检测模型;其中所述模型的建立方法如下:
数据流的输入:通过将网络电商图片爬取下来加以数据清洗,过滤出符合要求的女上装模型训练图片;
在预处理数据阶段进行数据增强;
使用ResNet50-FPN作为特征提取主干进行提取特征;
通过RPN网络提取出RoI,并使用RoI Align技术对齐像素;
修改原始Mask R-CNN模型,将其中的掩膜分支修改为关键点检测分支;
输出目标类别、目标边框和目标的关键点。
2.根据权利要求1所述的针对女上装关键点识别方法,其特征在于,在进行所述预处理数据时,通过目标检测方法将训练图片中的小目标检测后加以裁剪,并重设大小将其成为新的训练图片。
3.根据权利要求1所述的针对女上装关键点识别方法,其特征在于,所述数据增强为通过对原始训练图片进行垂直翻转和缩放。
4.根据权利要求1所述的针对女上装关键点识别方法,其特征在于,所述缩放的缩放比例为0.5-0.9。
5.根据权利要求1所述的针对女上装关键点识别方法,其特征在于,所述RPN网络提取通过在特征提取阶段卷积得到的公共特征图上滑动窗口,在每个划动的位置产生出若干个锚点,将这些锚点进行前景、背景分类、边框回归,之后进行非极大值抑制法筛选出最佳区域框。
6.根据权利要求1所述的针对女上装关键点识别方法,其特征在于,所述针对女上装的关键点检测模型主要用于检测非固定大小图片中女上装中15个关键点位置,分别为:领口前侧、左右侧;肩膀左右侧;腋下左右侧;左右袖口里外侧;下摆左右侧;左右腰侧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911261021.8A CN111027549A (zh) | 2019-12-10 | 2019-12-10 | 一种针对女上装关键点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911261021.8A CN111027549A (zh) | 2019-12-10 | 2019-12-10 | 一种针对女上装关键点识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111027549A true CN111027549A (zh) | 2020-04-17 |
Family
ID=70208666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911261021.8A Pending CN111027549A (zh) | 2019-12-10 | 2019-12-10 | 一种针对女上装关键点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027549A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553280A (zh) * | 2020-04-28 | 2020-08-18 | 上海无线电设备研究所 | 基于深度学习的目标部位识别方法 |
CN112258389A (zh) * | 2020-12-23 | 2021-01-22 | 北京沃东天骏信息技术有限公司 | 虚拟换装方法及相关设备 |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US12014553B2 (en) | 2019-02-01 | 2024-06-18 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107918780A (zh) * | 2017-09-01 | 2018-04-17 | 中山大学 | 一种基于关键点检测的衣服种类和属性分类方法 |
CN108229496A (zh) * | 2017-07-11 | 2018-06-29 | 北京市商汤科技开发有限公司 | 服饰关键点的检测方法和装置、电子设备、存储介质和程序 |
-
2019
- 2019-12-10 CN CN201911261021.8A patent/CN111027549A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229496A (zh) * | 2017-07-11 | 2018-06-29 | 北京市商汤科技开发有限公司 | 服饰关键点的检测方法和装置、电子设备、存储介质和程序 |
CN107918780A (zh) * | 2017-09-01 | 2018-04-17 | 中山大学 | 一种基于关键点检测的衣服种类和属性分类方法 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US12020476B2 (en) | 2017-03-23 | 2024-06-25 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11797304B2 (en) | 2018-02-01 | 2023-10-24 | Tesla, Inc. | Instruction set architecture for a vector computational unit |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11983630B2 (en) | 2018-09-03 | 2024-05-14 | Tesla, Inc. | Neural networks for embedded devices |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11908171B2 (en) | 2018-12-04 | 2024-02-20 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US12014553B2 (en) | 2019-02-01 | 2024-06-18 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
CN111553280A (zh) * | 2020-04-28 | 2020-08-18 | 上海无线电设备研究所 | 基于深度学习的目标部位识别方法 |
CN112258389B (zh) * | 2020-12-23 | 2021-11-02 | 北京沃东天骏信息技术有限公司 | 虚拟换装方法及相关设备 |
CN112258389A (zh) * | 2020-12-23 | 2021-01-22 | 北京沃东天骏信息技术有限公司 | 虚拟换装方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027549A (zh) | 一种针对女上装关键点识别方法 | |
CN108062525B (zh) | 一种基于手部区域预测的深度学习手部检测方法 | |
Ferrari et al. | Progressive search space reduction for human pose estimation | |
US6697502B2 (en) | Image processing method for detecting human figures in a digital image | |
CN109063559A (zh) | 一种基于改良区域回归的行人检测方法 | |
CN110929593A (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
CN109934224A (zh) | 基于马尔科夫随机场和视觉对比机制的小目标检测方法 | |
Ferrari et al. | 2d human pose estimation in tv shows | |
Singh et al. | Human activity recognition based on silhouette directionality | |
CN105741319B (zh) | 基于盲目更新策略和前景模型的改进视觉背景提取方法 | |
CN111401293A (zh) | 一种基于Head轻量化Mask Scoring R-CNN的手势识别方法 | |
Xu et al. | Real-time and accurate detection of citrus in complex scenes based on HPL-YOLOv4 | |
Ng et al. | Background subtraction using a pixel-wise adaptive learning rate for object tracking initialization | |
Nallasivam et al. | Moving human target detection and tracking in video frames | |
CN112883940A (zh) | 静默活体检测方法、装置、计算机设备及存储介质 | |
CN111597978B (zh) | 基于StarGAN网络模型实现行人重识别图片自动生成的方法 | |
CN114627269A (zh) | 一种基于深度学***台 | |
Zhou et al. | A study on attention-based LSTM for abnormal behavior recognition with variable pooling | |
Wu et al. | Video surveillance object recognition based on shape and color features | |
CN111539396A (zh) | 一种基于yolov3的行人检测及步态识别的方法 | |
CN111797761B (zh) | 一种三阶段烟雾检测***、方法及可读介质 | |
Kim et al. | Robust foreground segmentation from color video sequences using background subtraction with multiple thresholds | |
CN101950362B (zh) | 一种视频信号的关注度分析*** | |
Wang et al. | Video Smoke Detection Based on Multi-feature Fusion and Modified Random Forest. | |
CN108509838B (zh) | 一种在联合条件下进行群体着装解析的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |