强化学习和最优控制的《十个关键点》81页PPT汇总。本实验室主要面向于深度强化学习领域，分享包括但不限于深度强化学习Environment、理论推导与算法实现、前沿技术与论文解读、开源项目、应用场景、业界资讯等，同时包括基础数学、经典控制、博弈论、交叉学科等领域知识。

基于关键点的方法在目标检测中是一种相对较新的范例，消除了对锚定框的需要，并提供了一个简单的检测框架。基于KeyPoint的CornerNet在单级探测器中实现了最先进的精度。然而，这种精度可能会带来很高的处理成本。在这项工作中，我们解决了基于关键点的有效目标检测问题，并引入了CornerNet Lite。CornerNet Lite是CornerNet的两个有效变体的组合：CornerNet Saccade，它使用一种触动机制来消除对图像中所有像素进行彻底处理的需求；CornerNet Squeeze，它引入了新的PactBackboneArchitecture。这两个变量共同解决了科学对象检测的两个关键用例：提高效率而不牺牲准确性，以及提高实时效率的准确性。CornerNet扫视功能适用于直线处理，COCO上CornerNet扫视功能提高6.0倍，AP提高1.0%。CornerNet Squeeze适用于实时检测，提高了流行的实时检测仪YOLOv3的效率和准确性（COCO上的YOLOv3为34.4%的Apa30ms ForCornerNet-Squeeze，而YOLOv3为33.0%的Apa39ms）。这些贡献首次揭示了基于关键点的检测在需要处理效率的应用中的潜力。

openpose官方代码以及coco关键点格式的模型

针对现有主流检测算法在低光照或光照条件强烈变化情况下对交通标志检测精度不足、漏检现象严重的问题,提出一种改进后的基于图像关键点统计变换(MCT)特征的Adaboost集成算法,以降低样本图像对光照变化的敏感性,通过对图像关键点进行提取并建立弱分类器,增强噪声和部分遮挡情况下算法的抗干扰能力,同时采用多尺度特征融合算法实现交通标志的分类识别。选用德国交通标志数据集(GTSDB、GTSRB)和自建数据集对所提算法性能进行验证,结果表明,在三类数据集中本文算法均具有最佳检测率与识别率,对于低光照条件下的交通标志图像,本文算法的检测精确率为94.96%,在复杂光照环境下具有较好的稳健性。

精准快速的人脸定位和追踪技术。

关键点检测 格式转换 将labelme标注的关键点数据转换为coco格式

基于深度残差网络的人脸关键点检测

CASIA-WebFace关键点标注数据，使用模型自动标注的

Dlib模块的68个人脸关键点检测，包括下巴：[0, 17]，右（左）眉毛：[17, 22]（[22, 27]），鼻子[27, 36]，右（左）眼睛[36, 42]（[42, 48]），嘴巴轮廓[48, 61]，嘴巴[61, 68]

Landmark人脸68个关键点检测dat模型库(shape_predictor_68_face_landmarks.dat)