研究@ Magic Leap（CVPR 2020，口腔） SuperGlue推理和评估演示脚本 介绍 SuperGlue是在Magic Leap完成的2020 CVPR研究项目。 SuperGlue网络是一个图形神经网络，结合了最佳匹配层，该层经过训练可以对两组稀疏图像特征进行匹配。 此存储库包含PyTorch代码和预训练权重，用于在关键点和描述符之上运行SuperGlue匹配网络。 给定一对图像，您可以使用此存储库在整个图像对中提取匹配特征。 SuperGlue充当“中端”，在单个端到端体系结构中执行上下文聚合，匹配和过滤。 有关更多详细信息，请参见： 全文：PDF： 。 作者： Pa

人体姿态检测总结，Deep Learning-Based Human Pose Estimation: A Survey

本文复现的是是发表在ICCV 2017的工作《Learning Feature Pyramids for Human Pose Estimation》，论文提出了一个新的特征金字塔模块，在卷积网络中学习特征金字塔，并修正了现有的网络参数初始化方法，在人体姿态估计和图像分类中都取得了很好的效果。

手势识别代码 MATLAB 写的，从外面转过来的。。

人体姿态检测梳理。 AI识别人可以分成五个层次，依次为： 1.有没有人？ object detection 2.人在哪里？ object localization & semantic segmentation 3.这个人是谁？ face identification 4.这个人此刻处于什么状态？ pose estimation 5.这个人在当前一段时间里在做什么？ Sequence action recognition

简单轻巧的人体姿势估计 介绍 在COCO关键点有效数据集上，如果with_gcb模块达到66.5的mAP ，否则达到64.4的mAp 主要结果 COCO val2017数据集上的结果 拱 with_GCB 美联社 Ap .5 AP .75 AP（男） AP（长） 增强现实 AR .5 AR .75 手臂） AR（左） 256x192_lp_net_50_d256d256 是的 0.665 0.903 0.746 0.644 0.697 0.700 0.911 0.771 0.672 0.743 256x192_lp_net_50_d256d256 不 0.644 0.885 0.715 0.619 0.685 0.679 0.898 0.742 0.647 0.725 笔记： 使用翻转测试。 环境 该代码是在Ubuntu 16.

随机森林图像matlab代码6D物体检测器 对象检测器能够根据深度相机输入识别3D空间中的对象及其姿势。 它基于以下论文： Andreas Doumanoglou，Rigas Kouskouridas，Sotiris Malassiotis，Tae-Kyun Kim CVPR 2016 但已针对各种项目的需要进行了修改。 因此，可能与本文有所不同，并且不能保证可以准确复制本文提供的结果。 不幸的是，用于运行本文实验的所有参数的值均已被覆盖，但是默认值应接近于它们。 但是，应该搜索最适合感兴趣对象的最佳参数值。 如果您使用此源代码在自己的测试方案上评估该方法，请引用上述论文。 请仔细阅读指南，以正确使用检测器。 建立项目 源代码已在Ubuntu 14.04上进行了测试。 以下是所有必需的依赖项： 博客 GFlags OpenMP的 促进 OpenCV（2.4.10） 聚氯乙烯 VTK（5.10） CUDA LMDB 原虫 咖啡（1.7） 安装了所有必需的库之后，请运行以下命令来构建项目： mkdir build cd build cmake .. make 如果未生成错误，则应该已经创建

此仓库实现了我们的ICCV论文“用于3D人体姿势估计的Cross View融合” 快速开始 安装 克隆此仓库，我们将克隆多视图姿势的目录称为$ {POSE_ROOT} 安装依赖项。 下载pytorch imagenet预训练的模型。 请在$ {POSE_ROOT} / models下下载它们，并使它们看起来像这样： ${POSE_ROOT}/models └── pytorch └── imagenet ├── resnet152-b121ed2d.pth ├── resnet50-19c8e357.pth └── mobilenet_v2.pth.tar 可以从以下链接下载它们： : 初始化输出（训练模型输出目录）和日志（张量板日志目录）目录。 mkdir ouput mkdir log 并且您的目录树应该像这样

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

对象姿势估计演示 本教程将介绍在Unity中使用UR3机械臂执行姿势估计所需的步骤。 您将获得将ROS与Unity集成，导入URDF模型，收集标记的训练数据以及训练和部署深度学习模型的经验。 在本教程结束时，您将能够在Unity中使用机械臂执行拾取和放置操作，并使用计算机视觉感知机器人拾取的对象。 是否想跳过本教程并运行完整的演示？ 查看我们的。 是否想跳过本教程，而专注于为深度学习模型收集训练数据？ 查看我们的。 注意：该项目是使用Python 3和ROS Noetic开发的。 目录 这一部分包括下载和安装Unity编辑器，设置基本的Unity场景以及导入机器人。 我们将使用软件包导入。 本部分重点介绍使用Unity Computer Vision 进行数据收集的场景。 您将学习如何使用“感知包化器”对场景的各个部分进行随机化，以便在训练数据中创造多样性。 如果您想了解更