详解超轻超快的实时高性能姿态估计模型 RTMPose

火山方舟向量数据库大模型

picture.image

【 OpenMMLab 社区开放麦】开播啦! ! ! 技术下饭番追起来,每周一个新芝士。 欢迎广大社区同学加入直播间参与讨论的同时,也非常鼓励社区同学拿起话筒登上舞台,社区知识开放麦等你来玩~

本期精彩

姿态估计作为计算机视觉领域最常见的任务之一,在业务场景有着十分广泛的应用,实时高性能姿态估计对于人机交互、动作识别、虚拟形象驱动等应用至关重要。尽管前沿学术研究在模型精度上取得了惊人的进展,但在算力有限的设备上进行高精度实时姿态估计依然是一项具有挑战性的任务。

于是,MMPose 潜心研究推出 RTMPose,专为解决姿态估计算法中计算量沉重、延迟率高的问题。本次分享就将详细介绍这一业界可用、实时、高性能的姿态估计模型。

分享将介绍工业界业务模型设计的原则与常见误区,如何不同维度来全方位优化姿态估计模型的精度与速度,并对 RTMPose 进行拆解与介绍,分享更多技术报告中没有出现的细节与经验,并展示从社区收集到的 RTMPose 在公司业务数据上的性能表现与对比。

最后还会分享如何根据实际的业务条件,对 RTMPose 进行改动,来更好地满足业务需要。

picture.image

主流姿态估计算法性能对比(COCO val2017)

分享时间

北京时间

2023 年4 月 13 日(周四)

20: 00 - 20: 40(分享)

20: 40 - 21: 00(Q&A)

分享嘉宾

picture.image

Tau

MMPose 负责人,香港中文大学计算机硕士,主要研究方向为姿态估计、轻量化模型设计与部署,知乎 ID:镜子。

分享内容

  • 工业界业务模型设计原则与常见误区

  • 实时高性能姿态估计模型设计技巧

  • RTMPose 介绍与落地业务表现

相关资料:

RTMPose: Real-Time Multi-Person Pose Estimation toolkit based on MMPose

paper:

https://arxiv.org/abs/2303.07399

code:

https://github.com/open-mmlab/mmpose/tree/1.x/projects/rtmpose

(文末点击阅读原文可直达)

上期回顾

上一期社区开放麦,来自东南大学的博士生俞毅介绍了如何通过他们最新工作处理有向目标检测任务中,角度回归边界问题。分享中介绍了有向目标检测中边界问题和常见处理方法、相移编码的原理以及在有向目标检测中的运用、改进和后续研究思路探讨。

交流群

同时为了方便大家交流沟通,我们还建立了交流群,欢迎大家扫码加群,直播相关的所有资料都将在群里分享,还能与大佬 1v1,赶紧加入我们吧~

picture.image

精彩预告

紧跟技术热点,审视前沿趋势。OpenMMLab 社区联合将门 TechBeat 技术社区,精选 4 个专题 #基础模型 #视觉感知 #文字识别 #扩散模型 ,邀请十余位前沿学者,组成四场技术研讨会,邀你一起拓展认知边界。

picture.image

超越边界:视觉网络架构的创新设计与扩展

4.14(周五)10:00

迈向通用的视觉感知

4.18(周二)14:00

探索文字识别的前沿技术与应用

4.19(周三)10:00

融合视听:多模态扩散模型的革新应用

4.25(周二) 10:00

除了观看直播,你还能参与会议,与嘉宾直面沟通,共同探讨。扫描以下二维码填写问卷报名。

picture.image

picture.image

0
0
0
0
关于作者
关于作者

文章

0

获赞

0

收藏

0

相关资源
CV 技术在视频创作中的应用
本次演讲将介绍在拍摄、编辑等场景,我们如何利用 AI 技术赋能创作者;以及基于这些场景,字节跳动积累的领先技术能力。
相关产品
评论
未登录
看完啦,登录分享一下感受吧~
暂无评论