associative_embedding?

AIC?

higherhrnet_aic.md

這個?.md?文件介紹了一個基于底部向上人體姿態(tài)估計的算法以及其在AI Challenger數(shù)據(jù)集上的性能評估結果。其中，這個算法包括兩個引用：Associative Embedding 和 HigherHRNet，以及一個引用數(shù)據(jù)集 AI Challenger。

首先，介紹了?Associative Embedding?算法，它是一種用于聯(lián)合檢測和分組的端到端學習算法，由 Newell等人于2017年在 NIPS 會議上發(fā)表。其次，介紹了?HigherHRNet?算法，它是一種用于底部向上人體姿態(tài)估計的比較新的算法，由 Cheng等人于2020年在 CVPR 會議上發(fā)表。最后，介紹了?AI Challenger?數(shù)據(jù)集，它是一個用于圖像理解的大規(guī)模數(shù)據(jù)集，由 Wu等人于2017年在arXiv上發(fā)表。

接下來，該文件列出了在 AI Challenger 數(shù)據(jù)集的驗證集上，使用 HigherHRNet-w32 架構進行訓練，輸入尺寸為 512x512，不使用多尺度測試時的性能評估結果。評估指標包括平均精度(AP)、AP@50、AP@75、平均召回率(AR)和AR@50。最后，它還列出了在同樣條件下，使用三個默認尺度（<span class="katex"><span class="katex-mathml">2，1，0.5<span class="katex-html"><span class="base"><span class="strut"><span class="mord">2<span class="mord cjk_fallback">，<span class="mord">1<span class="mord cjk_fallback">，<span class="mord">0.5）的多尺度測試時的性能評估結果。這兩個評估結果可以幫助研究者了解該算法在不同測試條件下的表現(xiàn)。

總之，這個?.md?文件提供了一個基于底部向上人體姿態(tài)估計的算法的詳細介紹和性能評估結果，可以為相關研究提供有價值的參考。

?