pose_estimation_odom：这是针对移动机器人的ROS软件包，该机器人使用三个节点通过里程表进行姿势和方向估计

基于COCO数据集的人体姿势估计 该存储库包含使用深度神经网络执行人体姿态估计的SENG 474数据挖掘项目的在建项目。 下面是我们项目建议的简短摘录。 问题 人体姿态估计（HPE）是识别人体关键点以构建人体模型的问题领域。 许多现有系统接受图像作为输入，有些实现接受诸如点云和视频之类的格式。 HPE的应用广泛且使许多行业受益。 特别是，HPE在电影和游戏行业中均用于动画。 HPE的更险恶的应用可用于识别多个帧（即视频）上的个人。 HPE的另一个子集是手势估计，可用于翻译手语。 由于诸多挑战，HPE是一个困难的问题领域。 这些包括人类外观和体格的变化，环境光照和天气，其他物体的遮挡，关节重叠的自我遮挡，人体骨骼运动的复杂性以及2D图像输入的固有信息丢失[1]。 这个很大程度上未解决的问题使我们能够探索许多新颖和创造性的方法，从而丰富我们的学习经验。 我们很高兴探索这些应用程序，但是我们决定

LoFTR：与变压器互不影响的无检测器局部特征 | LoFTR：与变压器互不干扰的本地特征匹配*，*， *，，CVPR 2021 代码发布ETA 我们计划在接下来的一周内发布仅推理的代码和预训练的模型，敬请期待。 用于数据预处理，培训和验证的整个代码库正在进行重大重构，并将于6月左右发布。 如果您希望收到代码发布的通知，请订阅。 同时，在中欢迎对该文件进行。 引文 如果您发现此代码对您的研究有用，请使用以下BibTeX条目。 @article{sun2021loftr, title={{LoFTR}: Detector-Free Local Feature Matching with Transformers}, author={Sun, Jiaming and Shen, Zehong and Wang, Yuang and Bao, Hujun and Zhou, Xiao

DeepLabCut是一个工具箱，用于无标记地估计执行各种任务的动物的姿势。 。 只要您可以看到（标记）要跟踪的内容，就可以使用此工具箱，因为它与动物和物体无关。 最新更新： :purple_heart: DeepLabCut支持多动物姿势估计（BETA版本，请给我们提供反馈！ pip install deeplabcut==2.2b8 ）。 :purple_heart: 我们有一个实时软件包！ 快速pip install deeplabcut ： pip install deeplabcut 您还需要tensorflow和wxPython参见 项目管理的管道和工作流程的概述。 有关循序渐进的用户指南，请阅读《！ 为了更深入地

pytorch-openpose 的pytorch实施包括身体和手姿态估计，并且pytorch模型直接从转换 caffemodel通过 。 如果您有兴趣，也可以用相同的方法实现人脸关键点检测。请注意，人脸关键点检测器是使用[Simon等人，2003年。 2017]。 openpose通过身体姿势估计的结果来检测手，请参考的代码。 在本文中，它表示为： This is an important detail: to use the keypoint detector in any practical situation, we need a way to generate this bounding box. We directly use the body pose estimation models from [29] and [4], and use the wrist a

MotioNet 该库提供的源代码[[Transaction on Graphics（ToG）2020]，这是一种运动学的深度神经网络，可以从单眼视频中重建3D骨骼人体运动。 基于通用运动表示设计的网络及其直接输出可以转换为bvh文件，而无需任何后处理步骤。 MotioNet：具有骨架一致性的单眼视频的3D人体运动重构：| | 先决条件 Linux 的Python 3 NVIDIA GPU + CUDA CuDNN 2D姿势检测工具（用于评估野生视频，现在支持： ） 根据您的Cuda版本，选择合适的版本并安装它，然后运行以下命令来安装其他软件包： pip install -r requirements.txt 快速开始 我们提供了一个预训练的模型和一些演示示例，这些示例演示了我们的框架是如何工作的。 为了运行演示，请从 下载1.预训练的模型并将其放置在./checkpoin

基于PYTHON的人脸表情识别，识别表情包括高兴愤怒等

从2d关键点进行3d人体姿势估计 概述 尽管人们通常可以轻松地估计2d图像中人的3d姿势，但是3d姿势估计对于机器来说仍然是一个具有挑战性的问题。 该项目改进了一种算法，该算法以2d关键点作为唯一输入来估计人体姿势的3d关键点。 我将采取三种关键干预措施来改善整个数据集以及基准模型中具有特别高误差的姿势子集的重建精度：a）修改预处理中的数据归一化技术，b）从简单密集地修改神经网络架构将网络连接到以最新的2d姿态估计模型为模型的多级网络，并且c）生成合成数据以增强训练集。 这些干预措施成功地将整个测试集（来自卡耐基梅隆大学的运动捕捉数据库）中的重建误差降低了40％，针对目标的高误差姿势也降低了87％。 全文： （pdf） 依存关系 仅用于从头准备数据： 培训与测试 训练 运行prep_data.py 运行train.py ，注释掉所有您不想训练的模型设置。 日期时间将附加到这些文

EndoSLAM数据集和内窥镜视频的无监督单眼视觉测程和深度估计方法 EndoSLAM数据集概述 我们介绍了一种内窥镜SLAM数据集，该数据集既包含前体数据又包含合成数据。 数据集的离体部分包括标准和胶囊内窥镜记录。 数据集分为35个子数据集。 具体而言，分别存在结肠，小肠和胃的18、5和12个子数据集。 据作者所知，这是已发布的第一个用于胶囊内窥镜SLAM任务的数据集，具有定时6 DoF姿态数据和高精度3D地图地面真相 使用了两种不同的胶囊和传统的内窥镜相机，具有高分辨率和低分辨率，从而产生了不同的相机规格和照明条件。 来自不同相机的图像具有相同器官的不同分辨率和每个相关器官的深度，是所提出数据集的进一步独特功能。 我们还提供了两种类型的无线内窥镜的图像和姿态值，它们在某些方面彼此不同，例如相机分辨率，帧频以及用于检测Z线，十二指肠乳头和出血的诊断结果。 一些子数据集在两个版本中包