higherhrnet_aic.yml

• 這個(gè)文件介紹了一個(gè)名為HigherHRNet的人體姿態(tài)估計(jì)模型，并提供了相應(yīng)的代碼和訓(xùn)練權(quán)重。

首先，文件中定義了一個(gè)名為HigherHRNet的模型，其基于論文《HigherHRNet: Scale-Aware Representation Learning for Bottom-Up Human Pose Estimation》進(jìn)行開(kāi)發(fā)。這個(gè)模型旨在解決人體姿態(tài)估計(jì)中的尺度變化問(wèn)題，可以更好地捕捉不同尺度下的人體姿態(tài)信息。

然后，文件列出了兩個(gè)使用HigherHRNet模型進(jìn)行訓(xùn)練和測(cè)試的配置文件。這些配置文件包括數(shù)據(jù)集、模型架構(gòu)、訓(xùn)練數(shù)據(jù)和測(cè)試結(jié)果等信息。在這兩個(gè)配置文件中，使用的數(shù)據(jù)集都是AI Challenger，任務(wù)是2D人體關(guān)鍵點(diǎn)檢測(cè)。

最后，文件給出了兩個(gè)使用HigherHRNet模型訓(xùn)練的結(jié)果，包括AP、AP@0.5、AP@0.75、AR和AR@0.5等指標(biāo)，并提供了對(duì)應(yīng)的訓(xùn)練權(quán)重供用戶下載。

• higherhrnet_aic.md
  

這個(gè)?.md?文件介紹了一個(gè)基于底部向上人體姿態(tài)估計(jì)的算法以及其在AI Challenger數(shù)據(jù)集上的性能評(píng)估結(jié)果。其中，這個(gè)算法包括兩個(gè)引用：Associative Embedding 和 HigherHRNet，以及一個(gè)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(cè)和分組的端到端學(xué)習(xí)算法，由 Newell等人于2017年在 NIPS 會(huì)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(jì)的比較新的算法，由 Cheng等人于2020年在 CVPR 會(huì)議上發(fā)表。最后，介紹了?AI Challenger?數(shù)據(jù)集，它是一個(gè)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(lái)，該文件列出了在 AI Challenger 數(shù)據(jù)集的驗(yàn)證集上，使用 HigherHRNet-w32 架構(gòu)進(jìn)行訓(xùn)練，輸入尺寸為 512x512，不使用多尺度測(cè)試時(shí)的性能評(píng)估結(jié)果。評(píng)估指標(biāo)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(gè)默認(rèn)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(cè)試時(shí)的性能評(píng)估結(jié)果。這兩個(gè)評(píng)估結(jié)果可以幫助研究者了解該算法在不同測(cè)試條件下的表現(xiàn)。

總之，這個(gè)?.md?文件提供了一個(gè)基于底部向上人體姿態(tài)估計(jì)的算法的詳細(xì)介紹和性能評(píng)估結(jié)果，可以為相關(guān)研究提供有價(jià)值的參考。

• higherhrnet_w32_aic_512x512_udp.py
  

warmup='linear' 通常用于深度學(xué)習(xí)中的優(yōu)化器（optimizer）中的學(xué)習(xí)率調(diào)度器（learning rate scheduler）。

在訓(xùn)練深度學(xué)習(xí)模型時(shí)，學(xué)習(xí)率是一個(gè)非常重要的超參數(shù)，控制模型在每一輪迭代中參數(shù)更新的步長(zhǎng)。通常情況下，初始的學(xué)習(xí)率會(huì)比較小，然后逐漸增加到一個(gè)較大的值，以幫助模型更快地收斂。

而 warmup='linear' 就表示在優(yōu)化器中的學(xué)習(xí)率調(diào)度器采用線性增長(zhǎng)的方式將初始學(xué)習(xí)率逐漸增加到目標(biāo)學(xué)習(xí)率，這個(gè)過(guò)程通常在訓(xùn)練開(kāi)始的幾個(gè)epoch中完成，稱為“熱身期”（warmup period）。這種方法可以幫助模型更快地收斂，并減少過(guò)擬合的風(fēng)險(xiǎn)。