通过对热图引导的自适应关键点估计值进行排序来实现自下而上的人体姿势估计 介绍 在这项工作中，我们提出了一些在改善关键点检测和分组（关键点回归）性能上很少或不深入研究的方案。 首先，我们利用关键点热图进行逐像素关键点回归，而不是将它们分开以改善关键点回归。 其次，我们采用像素级空间变换器网络来学习自适应表示，以处理比例和方向方差，从而进一步提高关键点回归质量。 最后，我们提出了一种联合形状和热值评分方案，以促进估计的姿势更可能是真实姿势。 结合权衡热图估计损失以平衡背景像素和关键点像素，从而提高热图估计质量，我们可以获得最先进的自下而上的人体姿势估计结果。 主要结果 不进行多尺度测试的COCO val2017结果 骨干 输入尺寸 #Params GFLOPs 美联社 Ap .5 AP .75 AP（男） AP（长） 增强现实 AR .5 AR .75 手臂） AR（左）

用于图像分类的高分辨率网络（HRNets） 消息 [2021/01/20]添加一些更强大的ImageNet预训练模型，例如HRNet_W48_C_ssld_pretrained.pth达到top-1 acc的83.6％。 [2020/03/13] TPAMI接受了我们的论文：。 根据要求，我们提供两种小型HRNet模型。 #parameters和GFLOP与ResNet18相似。 使用这两个小型模型的细分结果也可从。 TensoFlow实现可在。 谢谢 ！ 修复问题后启用了ONNX导出。 谢谢！ 介绍 这是的官方代码。 我们使用下图所示的分类头来扩充HRNet。 首先，将四分辨率特征图输入瓶颈，并将输出通道数分别增加到128、256、512和1024。 然后，我们通过输出256个通道的2步3x3卷积对高分辨率表示进行下采样，并将其添加到第二个高分辨率表示中。 重复此过程两次，以小分

人体姿态估计的模型，用于HOReID，pytorch版本，解压即可使用，注意网络结构必须名字一致否则读取失败！

HRNet的官方预训练权重，包含3个权重，这是其中一个： MPII w32 256x256 (MPII human joints) pose_hrnet_w32_256x256.pth

HRNet-High-Resolution Representations for Labeling Pixels and Regions.pdf

HRnet网络用于人体姿态估计的模型，pytorch实现的模型，w48_256x192，实现说明位于https://github.com/leoxiaobin/deep-high-resolution-net.pytorch/tree/master/demo，原来位于谷歌网盘

HRNet（deep-high-resolution-net.pytorch）官方预训练模型，官方下载需要梯子到GoogleDrive下载，我下载好了供大家使用。

HRNet的官方预训练权重，包含3个权重，这是其中一个： COCO w32 256x192 (less accurate, but faster) pose_hrnet_w32_256x192.pth

CVPR2021 轻量级网络

https://github.com/HRNet/HigherHRNet-Human-Pose-Estimation，下载自官方模型。