OpenPose首先将数据送入到 VGG-19 的前 10 层卷积中去提取特征，然后，通 过这些特征去找每个位置的置信图（Confidence Map）以及其新定义出来的 Part Affinity Fields（PAFs部分亲和域），然后去通过这两个特征最终得到骨架信息，其流程如图 2.5 所 示。
OpenPose 的网络结构如图 2.6 所示，
从图中看出，通过多步的迭代，不断提升每步的所预测出关键点与躯干的精度，F 是第一阶段 VGG-19 卷积神经网络的输出， OpenPose 将该特征输出分别送入到两组卷积神经网络中，即图 2.6 中的 Branch1 和 Branch2，
Branch1 用来预测关节点的置信图S = （𝑆1, 𝑆2, ... , 𝑆𝑗），j 代表检测的关节数， 𝑆𝑖代表一个节点的特征图。
而对于 Branch2，就是用来预测 PAFs，即每个支段或关节对的亲和场（PAF）, 用L = （𝐿1, 𝐿2, ... , 𝐿𝑐）表示，每个支段用一个二维向量表示， 而𝐿𝑖表示其中一个支段的二维向量
我们用𝐿𝑡表示第 t 个阶段的所预测出的 PAF，𝑆𝑡 则表示第 t 个阶段所预测的置信图，用𝜌𝑡表示第 t 阶段 Branch1 的卷积架构，∅𝑡表示 第 t 阶段 Branch2 的卷积架构，除了第一阶段只有输入 F 外，其余阶段输入为 F，𝑆𝑡−1和𝐿𝑡−1，可用公式（2-2）、（ 2-3）表示。
该论文在该网络的每个阶段结束前都会针对每个阶段的 loss 进行计算并反向传播 计算梯度，通过这种方式来防止梯度消失的现象。
个别损失函数 fs 和 fl 如公式（24）、（2-5）所示
这些参数中，t 代表第 t 个阶段，s 代表是关键点，l 代表 PAF，p 代 表的是在影像上的位置，*代表的是 ground truth，Loss 就是透过卷积架构预测出的结 果与 ground truth 的 L2 正则化，𝑊(𝑝)是一个 0 与 1 之间的数值，用这个参数避免当 ground truth 没有标记，但模型有预测出来时就会使得 Loss 结果很大，使原本参数进 行调整。
关于 ground truth 如何定义，该论文给出了公式（2-6）
S 如前所述关键点的位 置，*代表真值，而 j 与 k 分别代表第 k 个人的第 j 个关键点，p 代表的就是影像上的 每一个像素位置，而𝑥𝑗,𝑘指的就是影像上经过标注的关键点位置，𝜎参数用来定义其他 影像点与关键点在平面上分布的范围，σ越大分布的范围就越窄，最后再取一个赋值代表这个数值最大为 1，也就是说我们预测的与我们的真值距离越近就越靠近 1。
OpenPose 算法提取骨架的效果
到此这篇openpose训练自己的数据集（openpose怎么训练）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/sjkxydsj/60176.html