洗牌网 TensorFlow中引入的ShuffleNet的实现。 这组作者说， ShuffleNet是一种计算效率高的CNN架构，专门为计算能力非常有限的移动设备设计。 在错误率低得多的情况下，它的错误率要优于Google MobileNet 。 链接到原始文章： ShuffleNet单位 群卷积 本文使用群卷积算子。 但是，该运算符未在TensorFlow后端中实现。 因此，我使用图操作实现了运算符。 这里讨论了这个问题： 频道改组 可以通过应用以下三种操作来实现频道改组： 将输入张量从（N，H，W，C）重塑为（N，H，W，G，C'）。 在二维（G，C'）上执行矩阵转置运算。 将张

Threadable 的实时 node.js 服务器 改编自 要设置它： brew install node gem install foreman sudo npm install foreman start 如果您正在考虑将 node_modules 添加到 .gitignore，请阅读： ://www.futurealoof.com/posts/nodemodules-in-git.html

研华 PCI-1716 PCI-1716L 的 Simulink 实时驱动程序。 视窗 64 位。

研华 PCI-1720 的 Simulink 实时驱动程序。 适用于装有 Windows 64 位的主机 PC。

实时位置追踪 使用 Socket.io 实时可视化移动 GPS 数据的 Web 应用程序。 GPS 数据通过网络套接字发送到网络客户端，该客户端将它们实时绘制在地图上。 如何使用 对于网络界面： $ cd realtime-location-tracking/web $ npm install $ node index.js 并将浏览器指向http://localhost:3000/ 用于 Web 界面的 HTML、CSS 和 Javascript 可以在“master”文件夹中找到。 特征 该应用程序将实时跟踪多个用户的位置。

消息！ 2020年8月： 发布了！ 更强大的追踪！ 包括全身（脸，手，脚）要点！ 现在可用。 2019年12月：AlphaPose 发布了！ 较小的型号，更高的精度！ 2019年4月：发布的AlphaPose！ 在COCO验证集上，它以23 fps的速度运行。 2019年2月： 集成到现在AlphaPose！ 2018年12月：了PoseFlow的！ 3倍更快，支持姿态跟踪结果可视化！ 2018年9月： 发布了！ 它在COCO验证集上以20 fps的速度运行（平均每张图像4.6人），并达到71 mAP！ AlphaPose 是一种精确的多人姿势估计器，它是第一个开源系统，在COCO数据集上达到70+ mAP（75 mAP），在MPII数据集上达到80+ mAP（82.1 mAP）。 为了在帧中匹配与同一个人相对应的姿势，我们还提供了一种称为Pose Flow的高效在线姿势跟踪

用知云文献翻译加上自己的一些理解翻译的Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields这篇论文

Tensorflow 2.0实时多人姿势估计 什么是新的 2020年10月5日 将模型转换为新的 在Mobilenet V3基础上添加了一个新的openpose模型。 添加了对库依赖 标记为“ v1.0”的旧代码可用。 此存储库包含keras_Realtime_Multi-Person_Pose_Estimation项目的新升级版本，以及一些其他脚本和新模型。 我在Tensorboard中添加了最终热图和paf的可视化。 每100次迭代，会将一张图像传递给模型。 预测的热图和paf记录在Tensorboard中。 您可以每隔几个小时检查一次直观的预测显示，因为它可以很好地了解训练的执行情况。 脚本和笔记本 该项目包含以下脚本和jupyter笔记本： train_singlenet_mobilenetv3.py-本文提出的用于新模型的训练代码，。 我用Mobilenet V3替换了VGG。 简化模型，只有3 pafs和1热图。 train_2br_vgg.py-旧的CMU模型的训练代码（2017）。 这是旧仓库keras_Realtime_Multi-Person_Pose_E

这是keras_Realtime_Multi-Person_Pose_Estimation代码中所需要的model.h5文件，分享一下，共需要的人下载

实时全景视频帧融合算法论文。