Kalman filter
【Ubuntu 18.04】OpenPose 安装踩坑之旅
安装nvidia
显卡驱动
【MAE】一起来读Masked Autoencoders
【Contrastive learning】一文读懂对比学习
【GNN】Hierarchical Graph Representation Learning with DiffPool
现有的 GNN 方法由于其存在平面化的局限性,因此无法学习图的层级表示。让 GNN 能够学习到图的层次表示对于图表示学习极为重要,例如,图分类的目标是预测与整个图相关的标签。标准的方法是为图中的所有节点生成嵌入,然后将所有这些节点嵌入全局集中在一起,例如,使用一个简单的求和或对集合进行池化操作的神经网络。这种全局池方法忽略了图中可能存在的层次结构,阻碍了在整个图上为预测任务建立有效的 GNN 模型。
【GNN】Context Aware Graph Convolution for Action Recognition
目前的一些图卷积方法大多是聚合局部邻居信息的方式完成卷积,特征仅从中心顶点的一个小邻域中提取。但在实践中,运动是多部位关节相互协调配合的过程。例如,
书写
和打字
需要双手的配合来完成,它们在图结构中是不相邻的。 因此,只研究一只手的运动而不考虑另一只手的运动是很难全面理解动作的。
【姿态估计】A2J - Anchor-to-Joint Regression Network
深度图作为一种 2.5D 的数据,其本身的深度就包含有 3D 信息。与 3D CNN 相比,2D CNN 计算量小、效率高,能够预训练。且 2D CNN 可以提取深度图的 3D 信息,使用 2D CNN 进行 3D 姿态估计是研究者们研究的热点。