fashionAI 服装关键点检测 ，给定五种类型的服装，采用人体姿态估计的方法检测关键点。最终结果排名24，CPN模型没有复现很好，略遗憾... 0.效果预览 1.模型 模型结合了HourGlass模型和CPN模型，其中HG堆叠了2个，另外在HG上采样过程的1/2大小的特征图上添加了热点图监督标签。 RGB图像送入两个分支网络分别计算，最后concat二者的特征图，具体结构如图所示。 添加了soft-argmax层，可以由热点图转化到具体的坐标值，用坐标值groundtruth监督学习 2.策略 最多只能使用两个不同参数的模型，检测模型也算。通过检测可以提高目标占比，提升效果。 使用第一级预测结果截取目标，为了防止截取不完整，向外扩展30像素，再训练第二级crop模型。 第一级模型testB线上4.17%，crop之后的模型testB线上4.05%，融合之后3.95%. 3.训练与预测细

hourglass_tensorflow_demo 基于tensorflow的hourglass模型demo 配置要求 py2 or 3 tensorflow >=1.2.0 opencv>=3.2 模型介绍 通过图像金字塔保证图像信息不丢失 参考文献

PoseEstimation-TFLiteSwift 此项目是使用TensorFlow Lite在iOS上进行的姿势估计。 如果您对iOS +机器学习感兴趣，请访问您可以查看各种DEMO。 实时2D姿态估计 3D姿势估计 特征 支持2D姿势估计TFLite模型 金属框架实时演示 相册演示 支持3D姿态估计TFLite模型 金属框架实时演示（但实时模型尚未准备好） 实时姿态匹配演示 相册演示 在2D演示页面中渲染2D姿势估计的结果关键点 使用SceneKit渲染3D姿势估计的结果关键点 渲染2D姿势估计输出的热图 典型基于热图的模型的零件置信度图 OpenPose（2D多人）的零件相似性字段 在3D姿势演示中实现了具有余弦相似性的姿势匹配 实施以固定3D姿势估计中的肩膀关键点，以进行姿势匹配的预处理 楷模 源图像 名称 gif img-0 img-1 i

堆叠沙漏模型：TensorFlow实现 A.Newell等人的用于人体姿势估计的堆叠沙漏网络的Tensorflow实现。 代码作为MSc Computing个人项目的一部分（伦敦帝国学院2017年） 基于 -A.Newell等 -肖楚等。 -可用（重型型号） 状态 这是一个WIP回购 已测试人体姿势 效率（在较轻的模型上工作） 数据生成器完成（在协议缓冲区上工作） 多人姿势估计（尝试实现固定帧速率） 目前接受过培训 配置文件 目录中有一个``config.cgf''，其中包含调整模型所需的所有变量。 training_txt_file : Path to TEXT file cont

TensorFlow中的沙漏，DHN和CPN模型用于2018年-天池服装AI关键点检测 该存储库包含TensorFlow的和用于的重新实现代码。 。 这里的CPN（层叠金字塔网络）和DHN（反卷积头网络）都有几个不同的主干：ResNet50，SE-ResNet50，SE-ResNeXt50， 或DetResNeXt50。 我还尝试了“以动态集成模型，尽管仅取得了有限的改进。 骨干网的预训练模型可以在这里找到： 介绍 这次比赛的主要目的是发现从阿里巴巴的电子商务平台收集的衣服形象的关键点。 总共有五种图像，共五个类别：上衣，外套，裤子，裙子，衣服。 每个类别的关键点定义如下。 几乎所有代

用HLS实现FPGA加速StackedHourglass网络实现人体关键点识别，最终测试速度比板载CPU速度快300倍左右。代码包含HLS实现（C++）、网络搭建（python）以及生成好的IP核。测试平台为Ultra 96。