التعلم العميق ذو الدقة العالية لتمثيل الوضع البشري

هذه هي التنفيذ الرسمي لـ PyTorch لتعلم التمثيلات ذات الدقة العالية بعمق للتقدير الموضعي للإنسان. في هذا العمل، نحن مهتمون بمشكلة تقدير الوضع البشري مع التركيز على تعلم تمثيلات ذات دقة عالية وموثوقة. معظم الطرق الحالية تستعيد التمثيلات ذات الدقة العالية من التمثيلات ذات الدقة المنخفضة التي ينتجها شبكة تحويل الدقة من عالية إلى منخفضة. بدلاً من ذلك، فإن شبكتنا المقترحة تحتفظ بالتمثيلات ذات الدقة العالية طوال العملية. نبدأ بشبكة فرعية ذات دقة عالية كمرحلة أولى، ثم نضيف تدريجياً شبكات فرعية تحويل الدقة من عالية إلى منخفضة واحدة تلو الأخرى لتشكيل مراحل إضافية، ونربط الشبكات الفرعية متعددة الدقة بشكل متوازي. نقوم بإجراء عمليات الاندماج المتعدد الأبعاد المتكررة بحيث تتلقى كل تمثيل للدقة من عالية إلى منخفضة المعلومات من التمثيلات الموازية الأخرى مراراً وتكراراً، مما يؤدي إلى تمثيلات ذات دقة عالية غنية بالمعلومات. نتيجة لذلك، يكون الخريطة الحرارية للمعالم المحتملة المحتملة أكثر دقة وموقعياً أكثر دقة. لقد أظهرنا فعالية شبكتنا تجريبياً من خلال النتائج المتفوقة لتقدير الوضع على مجموعتي بيانات مرجعيتين: مجموعة بيانات اكتشاف المعالم COCO ومجموعة بيانات وضع الإنسان MPII (MPII Human Pose dataset). الرمز والموديلات متاحة للجمهور على الرابط \url{https://github.com/leoxiaobin/deep-high-resolution-net.pytorch}.