行业-电子政务-关键点检测方法、神经网络训练方法、装置和电子设备.zip

pfld_106_face_landmarks 106点人脸关键点检测的PFLD算法实现 :smiling_face_with_smiling_eyes: 转换后的ONNX模型 预训练权重 性能测试 update GhostNet update MobileNetV3 Backbone param MACC nme Link ONNX MobileNetV2 1.26M 393M 4.96% MobileNetV3 1.44M 201.8M 4.40% MobileNetV3_Small 0.22M 13M 6.22% 测试电脑MacBook 2017 13-Inch CPU i5-3.1GHz (single core) backbone FPS(onnxruntime cpu) Time(single face) v2.onnx 60.9 16ms V3.onnx 62.7 15.9ms lite.onnx 255 3.9ms R

yolov5_face_landmark 基于yolov5的人脸检测，带关键点检测 代码说明： 1，在yolov5的检测基础上，加上关键点回归分支，请先下载yolov5的工程： 2，detect_one.py是单张图片的测试代码，　基于部分wideface训练的模型，稍后在百度云公开。 主要修改代码部分： (1)hyp.scatch.yaml中增加关键点loss的超参数（landmark: 0.5） (2)yolo.py中增加了关键点回归的计算 (3)face_datasets.py为人脸数据的读取方式，准备数据的格式参考yolov5的格式，在后面增加关键点的坐标（归一化） (4)　loss.py中增加关键点回归的loss计算 (5) 链接: 密码: j83n (6) 效果图 : 关于口罩人脸的问题： 1，增加口罩人脸这个类别，建议不要直接在检测分支中增加类别。 2，应该在关键点分

keras实现简单CNN人脸关键点检测-附件资源

DRIVE数据集的关键点的groundtruth，这是荷兰的一个团队标记的，是广泛流传的一个．其涉及到的算法主要有MICCAI的论文Multi-task那篇，BICROS算法等．　注意：这里只有点的坐标以及一位专家的手动分割图，想要原图的话去我的另一个资源里找，谢谢～

IOSTAR-dataset 包含原图(彩色图)和分割图和关键点坐标，可以作为点检测（分支点＼交叉点＼末梢点）或者分割的数据集，是经常拿来做点检测的数据集．DRIVE数据集也经常用来点检测，但是这里只有ＩＯＳＴＡＲ．

dat文件,具体名称为shape_predictor_68_face_landmarks.dat 人脸68个关键点：嘴巴，鼻子，眼睛，眉毛，轮廓等 Landmark人脸68个关键点检测dat模型库

行业分类-作业装置-一种人脸关键点检测方法、装置、电子设备及存储介质.zip

AlphaPose的轻量化单人姿态估计网络（SPPE）训练代码 使用步骤 1. 下载数据集放置到train_demo/data文件夹 2. pip install -r requirements.txt 3. 安装pycocotools和alphapose 3.1 cd train_demo 3.2 python setup.py install 3.3 python setup1.py build develop 4.开始训练 python train_demo/train.py 相关博客：https://blog.csdn.net/xzq1207105685/article/details/119331007

FashionNet的前向计算过程总共分为三个阶段：第一个阶段，将一张衣服图片输入到网络中的蓝色分支，去预测衣服的关键点是否可见和位置。第二个阶段，根据在上一步预测的关键点位置，关键点池化层（landmark pooling layer）得到衣服的局部特征。