https://github.com/hysts/anime-face-detector

mmpose和openpose的onnx导出

介绍 English | MMPose是一个基于PyTorch的开源姿势估计工具箱。它是的一部分。 master分支可与PyTorch 1.3+一起使用。 COCO 17点姿势估计 133点全身姿势估计（） 主要特点 支持多种任务 我们支持当前研究领域中广泛的主流人体姿势分析任务，包括2d多人人体姿势估计，2d手姿势估计，2d人脸界标检测，133个关键点全身人姿势估计，时尚界标检测和3d人网格恢复。 更高的效率和更高的精度 MMPose实现了多种最新（SOTA）深度学习模型，包括自上而下和自下而上的方法。与等其他流行的代码库相比，我们可以实现更快的训练速度和更高的准确性。有关更多信息，请参见 。 支持各种数据集 该工具箱直接支持多个流行且具有代表性的数据集，COCO，AIC，MPII，MPII-TRB，OCHuman等。有关更多信息，请参见 。 精心设计，测试和记录 我们将MMP

颜色分类leetcode 姿势 使用毫米波雷达进行人体姿态估计的开源工具箱 PI： 项目成员：& 组织：亚利桑那大学 电子邮箱：{caos, sengupta, fengjin}@email.arizona.edu 动机 虽然基于视觉的传感器提供了场景的高分辨率表示，但存在一些与其操作相关的挑战。 它们严重依赖（或受）外部光源来照亮场景，因此在光线不足、恶劣的天气条件或场景/目标被遮挡时变得无效。 这些可能导致不可逆转的灾难性事件，类似于 (i) 特斯拉的自动驾驶测试中遇到的那些，其中视觉传感器无法在明亮的天空中检测到拖拉机拖车的白色面（非常高的反射率），以及 (ii) 优步自身- 由于视觉/激光雷达传感器无法及时检测行人以避免在夜间测试期间发生事故（低/无反射率），导致亚利桑那州的驾驶车辆碰撞事故。 因此，迫切需要替代传感器来完成任务，同时克服上述挑战。 2018 年亚利桑那州的 Uber 自动驾驶车祸。 基于射频 (RF) 的传感器，例如雷达，使用自己的信号照亮目标（主动感应），因此使其在操作上对场景照明和天气条件具有鲁棒性。 然而，与基于视觉的传感器不同，雷达使用基于射频强度的空