github download youtube video(Flutter上線項目實戰——Vap視頻動畫)

Flutter上線項目實戰——Vap視頻動畫

透明視頻動畫是目前比較流行的實現動畫的一種, 大廠也相繼開源自己的框架，最終我們選中 騰訊vap ，它支持了Android、IOS、Web，為我們封裝flutter_vap提供了天然的便利，并且它提供了將幀圖片生成帶alpha通道視頻的工具，這簡直太贊了。

VAP（Video Animation Player）是企鵝電競開發，用于播放酷炫動畫的實現方案。

買粉絲 for youtube

買粉絲 for qiniu

apk download

github

如何從網站下載音樂

目錄方法1：從流媒體網站上的視頻中翻錄音頻1、知道本方法適用的網站。2、下載4KVideoDownloader。3、安裝4KVideoDownloader。4、打開首選網站。5、找到需要使用的視頻。6、復制視頻的地址。7、單擊或雙擊4KVideoDownloader圖標，背景是綠色的，上面有一朵白云。8、點擊4KVideoDownloader窗口左上角的粘貼鏈接9、單擊下載視頻10、點擊下拉框里的提取音頻11、如有需要，可以選擇質量。12、如果您愿意，可以選擇音頻格式。13、選擇下載位置。14、點擊窗口底部的提取方法2：使用Audacity1、如果你使用的是Mac，需要安裝SoundFlower。2、沒有Audacity的話，需要先安裝Audacity。3、打開Audacity。4、如果你用的Mac系統，啟用軟件播放功能。5、單擊錄制樣式下拉框。6、在下拉框里點擊WindowsWASAPI7、單擊"輸入"下拉框。8、點擊下拉菜單里的揚聲器9、轉到要錄制的音樂。10、在Audacity中開始錄制。11、播放音樂。12、音樂結束時，停止錄制。13、根據需要修剪音頻。14、單擊文件15、選擇導出16、在彈出菜單里單擊導出為MP317、輸入歌曲的名稱。18、選擇保存位置。19、如果需要，選擇質量。20、單擊窗口底部的保存21、如果愿意，可以輸入歌曲信息。22、單擊窗口底部的確定方法3：使用瀏覽器的源代碼1、了解何時使用此方法。2、前往要使用的網站。3、打開瀏覽器的源代碼。4、需要的話，單擊元素5、打開查找6、輸入音頻格式。7、查找音頻文件的地址。8、復制音頻文件的URL地址。9、輸入地址欄中的URL地址。10、下載音樂文件。本篇wikiHow教您如何從基本上任何網站下載音樂。如果想下載的音樂是附在YouTube、Facebook等流媒體網站的視頻里，可以使用名為4KVideoDownloader的免費應用程序，翻錄視頻里的音頻。這個程序也可以直接從SoundCloud下載音樂文件。如果是要從電腦上播放音樂的任何站點下載音樂，可以使用Audacity中的反饋回路來錄制、編輯和導出MP3文件，并且不會記錄背景噪音。你還可以使用網絡瀏覽器的源代碼查看器，從符合條件的網站下載一些背景音樂。

方法1：從流媒體網站上的視頻中翻錄音頻

1、知道本方法適用的網站。這個方法使用的程序可以從以下任何網站上視頻里下載音頻：YouTube

Facebook

SoundCloud

Vimeo

Flickr

Dailymotion

雖說4KVideoDownloader的常見問題解答頁面提到了支持Metacafe視頻，但它目前其實不能從Metacafe下載音頻。

2、下載4KVideoDownloader。這個程序可以從上述網站上的視頻里下載音頻，對Windows和Mac計算機是免費的。要下載安裝文件，可以執行以下操作：在電腦瀏覽器上訪問買粉絲s://買粉絲.4kdownload.買粉絲/download。

點擊4KVideoDownloader。

點擊對應你電腦操作系統的下載按鈕。

出現提示后，選擇文件保存位置并確認下載。

3、安裝4KVideoDownloader。完成下載后，雙擊安裝文件，按照屏幕上的提示，將4KVideoDownloader安裝到計算機上。如果你使用的是Mac系統，需要先單擊并將4KVideoDownloader圖標拖到應用程序圖標上，再按照安裝提示進行操作。你可能還需要驗證安裝。

4、打開首選網站。前往你要使用的視頻所在網站。如果是從SoundCloud下載，那么要下載的項目不一定是視頻。比如，如果要從VEVO視頻下載音樂，可以訪問YouTube。

5、找到需要使用的視頻。打開要從中提取音頻的視頻。如果是從SoundCloud下載，找到要下載的歌曲，然后單擊歌曲標題打開頁面。

6、復制視頻的地址。對于大多數網站，可以單擊瀏覽器窗口頂部文本欄中的地址，然后按Ctrl+C（Windows）或Command+C（Mac）。如果使用Facebook，先要右鍵單擊視頻，然后單擊顯示視頻買粉絲并復制。4KVideoDownloader不能下載私人視頻。

7、單擊或雙擊4KVideoDownloader圖標，背景是綠色的，上面有一朵白云。如果程序在安裝后自動打開，那就跳過本步驟。

8、點擊4KVideoDownloader窗口左上角的粘貼鏈接。程序將開始查找視頻。

9、單擊下載視頻下拉框。4KVideoDownloader找到你的視頻后，你會看到此選項出現在4KVideoDownloader窗口的左上角。單擊它會彈出下拉框。如果從SoundCloud下載，請跳過這一步和下一步。

10、點擊下拉框里的提取音頻。

11、如有需要，可以選擇質量。點選質量選項旁邊的框（例如高清）。

12、如果您愿意，可以選擇音頻格式。4KVideoDownloader的默認格式（MP3）是最常用的音頻格式；但你也可以選擇不同的格式。單擊窗口右上角的格式下拉框，然后單擊想要的格式。

13、選擇下載位置。點擊窗口底部下載路徑右側的瀏覽，然后選擇你要保存的文件夾，例如桌面，并點擊保存。在Mac系統里，不用點擊瀏覽，直接點擊下載路徑右側的...即可。

14、點擊窗口底部的提取。這樣4KVideoDownloader會開始從所選視頻中翻錄音頻。翻錄完成后，在指定的保存位置可以找到歌曲文件。如果4KVideoDownloader提示無法下載文件，可以再次嘗試，或者先下載另一個文件。如果問題仍然存在，再等一天，4KVideoDownloader通常可以在幾小時到一天內解決有關下載受版權保護音樂的爭議。

方法2：使用Audacity

1、如果你使用的是Mac，需要安裝SoundFlower。Soundflower可讓您錄制屏幕上的音頻。在Mac的瀏覽器中訪問買粉絲s://github.買粉絲/mattingalls/Soundflower/releases/tag/2.0b2，然后執行以下操作：點擊Soundflower-2.0b2.dmg鏈接。

雙擊下載的文件，然后按照屏幕提示操作，包括驗證軟件。

點擊蘋果菜單。然后點擊系統首選項。

點擊聲音，然后點擊彈出窗口中的輸出選項卡。

選擇Soundflower(2ch)，提高音量，然后在輸入選項卡中，對Soundflower(2ch)執行相同操作。

點擊音效選項卡，點擊播放音效下拉菜單，然后點擊線路輸出、耳機或內置揚聲器。

2、沒有Audacity的話，需要先安裝Audacity。Windows和Mac版本的Audacity都可以免費下載安裝：在瀏覽器中訪問買粉絲s://買粉絲.audacityteam.org/download/。

選擇本機操作系統。

單擊Audacity2.2.2installer（Windows），或Audacity2.2.2.dmg文件（Mac）。

雙擊下載安裝文件。

按照屏幕上的安裝說明操作。

3、打開Audacity。單擊或雙擊Audacity圖標，圖案是中間有橙色聲波的藍色耳機。

4、如果你用的Mac系統，啟用軟件播放功能。單擊屏幕頂部的傳輸菜單項，選擇傳輸選項。如果未選中，則須單擊軟件播放選項。如果這個選項已經選中，表示此選項已啟用。

5、單擊錄制樣式下拉框。是錄音部分左上角的"MME"下拉框，彈出下拉菜單。在Mac上，單擊麥克風圖標右側的下拉框。

6、在下拉框里點擊WindowsWASAPI。在Mac里，點擊Soundflower(2ch)。

7、單擊"輸入"下拉框。這是位于錄制樣式下拉框右側的下拉框，屏幕會出現另一個菜單。在Mac上，此選項位于下拉框列表最右側的揚聲器圖標旁邊。

8、點擊下拉菜單里的揚聲器。到這兒，你已準備好開始使用Audacity進行錄制。如果在執行操作時使用耳機，在此處單擊耳機或類似的選項。

在Mac上，你可以在這里單擊內置輸出，或線路輸出。

9、轉到要錄制的音樂。打開你要錄制的音樂的網站。只要是計算機能夠識別聲音的網站都可以。

10、在Audacity中開始錄制。單擊Audacity窗口頂部的紅圈錄制按鈕進行操作。

11、播放音樂。單擊音樂的播放按鈕，Audacity將開始錄制音樂。

12、音樂結束時，停止錄制。單擊Audacity窗口頂部的黑色停止方塊，錄音停止。

13、根據需要修剪音頻。如要從錄音的開頭刪除無聲音頻段，在Audacity中一直滾動到錄制的開頭（左側），在要刪除的部分上單擊并拖動鼠標，然后按下Del鍵。在Mac上，單擊編輯，然后單擊剪切，不要按Del鍵。

14、單擊文件。在Audacity窗口的左上角或Mac上的屏幕，會出現一個下拉菜單。

15、選擇導出。該選項在文件下拉菜單里，會打開一個彈出菜單。

16、在彈出菜單里單擊導出為MP3，打開另存為窗口。

17、輸入歌曲的名稱。在文件名或名稱文本框中，鍵入要命名的內容。

18、選擇保存位置。單擊要保存文件的文件夾。例如，要將其保存在桌面上，就單擊桌面。

19、如果需要，選擇質量。如果要提高歌曲質量，單擊質量下拉菜單，然后單擊選中更好的選項，例如超高質量。這樣會增加歌曲的文件大小。

20、單擊窗口底部的保存。

21、如果愿意，可以輸入歌曲信息。在顯示的窗口中，輸入藝術家姓名、專輯等標簽。在這兒輸入標簽，有助于iTunes和Groove等程序識別音頻文件。

如果不想為歌曲指定標簽，可以跳過此步驟。

22、單擊窗口底部的確定。這就可以把錄制內容導出到所選保存位置的MP3文件中了。這個過程可能需要幾秒到幾分鐘，具體取決于選擇的質量和歌曲長度。

方法3：使用瀏覽器的源代碼

1、了解何時使用此方法。如果要下載網站背景中播放的音樂，或下載打開網站時自動播放的視頻中的音樂，可以使用這個辦法查找和下載音樂文件。如果要下載的音樂文件受到保護，如SoundCloud等網站，就不能使用瀏覽器的源代碼。這種情況下，嘗試使用4KVideoDownloader或使用Audacity下載。

2、前往要使用的網站。打開要從中提取音頻的網站，進行下一步之前，確保網站已完全加載，并且音頻正在播放。

Firefox-單擊窗口右上角的?，單擊下拉菜單中的Web開發者，然后單擊查看器。

MicrosoftEdge-點擊窗口右上角的...，然后點擊下拉菜單中的開發人員工具。

Safari-啟用開發菜單項，然后在菜單欄中單擊開發，然后在生成的下拉列表中，單擊顯示頁面源菜單。

4、需要的話，單擊元素選項卡。需要在Chrome和Edge的開發者窗口頂部執行此操作。在Safari和Firefox可以跳過此步驟。

5、打開查找搜索框。單擊開發者窗口中的任意位置，然后按Ctrl+F（Windows），或Command+{ { button|F}（Mac）執行該操作。

6、輸入音頻格式。最常用的音頻格式是MP3，在查找窗口中鍵入mp3，然后按回車鍵進行搜索。其他常用的音頻格式有M4A、AAC、OGG和WAV。

7、查找音頻文件的地址。在突出顯示的結果里翻閱，直到找到一個包含完整買粉絲的MP3文件，以買粉絲://或ftp://開頭，以.mp3結尾，這個買粉絲可能很長。如果沒有.mp3的任何搜索結果，嘗試使用其他音頻格式。你還可以使用MP4等視頻格式。如果還是沒有搜到任何結果，該歌曲很可能隱藏在嵌入式播放器里，或是經過加密。

8、復制音頻文件的URL地址。雙擊要下載的音頻文件的URL，然后按Ctrl+C（Windows），或Command+C（Mac）進行復制。記住，網站可能有不同的URL地址用于不同的音頻文件。如果第一個不行，可能得要返回頁面，復制其他URL地址。

9、輸入地址欄中的URL地址。單擊地址欄，然后按Ctrl+V，或Command+V粘貼歌曲的地址，按回車鍵進入歌曲頁面。如果出現404錯誤，表示歌曲沒有附在輸入的買粉絲上。返回并復制其他買粉絲或者試試Audacity。

10、下載音樂文件。歌曲頁面打開后，右鍵單擊歌曲，然后單擊另存為，將它下載為MP3或MP4文件。在Chrome上，可以點擊右下角的?，然后點擊下載。

如果下載的歌曲是MP4格式文件，還需要將MP4轉換為MP3文件。

小提示Audacity是直接從計算機的聲卡中錄制，在錄制過程中不帶耳機聽音樂或說話都沒問題，不會影響錄制。

警告下載免費音樂而不付費購買，可能會構成你所在地區的盜版行為。

與姿態、動作相關的數據集介紹

參考：買粉絲s://blog.csdn.買粉絲/qq_38522972/article/details/82953477

姿態論文整理：買粉絲s://blog.csdn.買粉絲/zziahgf/article/details/78203621

經典項目：買粉絲s://blog.csdn.買粉絲/ls83776736/article/details/87991515

姿態識別和動作識別任務本質不一樣，動作識別可以認為是人定位和動作分類任務，姿態識別可理解為關鍵點的檢測和為關鍵點賦id任務（多人姿態識別和單人姿態識別任務）

由于受到收集數據設備的限制，目前大部分姿態數據都是收集公共視頻數據截取得到，因此2D數據集相對來說容易獲取，與之相比，3D數據集較難獲取。2D數據集有室內場景和室外場景，而3D目前只有室內場景。

地址：買粉絲://買粉絲買粉絲dataset.org/#download

樣本數：>= 30W

關節點個數：18

全身，多人，keypoints on 10W people

地址：買粉絲://sam.johnson.io/research/lsp.買粉絲

樣本數：2K

關節點個數：14

全身，單人

LSP dataset to 10; 000 images of people performing gymnastics, athletics and parkour.

地址：買粉絲s://bensapp.github.io/flic-dataset.買粉絲

樣本數：2W

關節點個數：9

全身，單人

樣本數：25K

全身，單人/多人，40K people，410 human activities

16個關鍵點：0 - r ankle, 1 - r knee, 2 - r hip,3 - l hip,4 - l knee, 5 - l ankle, 6 - l ankle， 7 - l ankle，8 - upper neck, 9 - head top,10 - r wrist,11 - r elbow, 12 - r shoulder, 13 - l shoulder,14 - l elbow, 15 - l wrist

無mask標注

In order to analyze the challenges for fine-grained human activity re買粉絲gnition, we build on our recent publicly available \MPI Human Pose" dataset [2]. The dataset was 買粉絲llected from YouTube 買粉絲s using an established two-level hierarchy of over 800 every day human activities. The activities at the first level of the hierarchy 買粉絲rrespond to thematic categories, such as ”Home repair", “Occupation", “Music playing", etc., while the activities at the se買粉絲nd level 買粉絲rrespond to indivial activities, e.g. ”Painting inside the house", “Hairstylist" and ”Playing woodwind". In total the dataset 買粉絲ntains 20 categories and 410 indivial activities 買粉絲vering a wider variety of activities than other datasets, while its systematic data 買粉絲llection aims for a fair activity 買粉絲verage. Overall the dataset 買粉絲ntains 24; 920 買粉絲 snippets and each snippet is at least 41 frames long. Altogether the dataset 買粉絲ntains over a 1M frames. Each 買粉絲 snippet has a key frame 買粉絲ntaining at least one person with a sufficient portion of the body visible and annotated body joints. There are 40; 522 annotated people in total. In addition, for a subset of key frames richer labels are available, including full 3D torso and head orientation and occlusion labels for joints and body parts.

為了分析細粒度人類活動識別的挑戰，我們建立了我們最近公開發布的\ MPI Human Pose“數據集[2]。數據集是從YouTube視頻中收集的，使用的是每天800多個已建立的兩級層次結構人類活動。層次結構的第一級活動對應于主題類別，例如“家庭維修”，“職業”，“音樂播放”等，而第二級的活動對應于個人活動，例如“在屋內繪畫”，“發型師”和“播放木管樂器”。總的來說，數據集包含20個類別和410個個人活動，涵蓋比其他數據集更廣泛的活動，而其系統數據收集旨在實現公平的活動覆蓋。數據集包含24; 920個視頻片段，每個片段長度至少為41幀。整個數據集包含超過1M幀。每個視頻片段都有一個關鍵幀，其中至少包含一個人體，其中有足夠的身體可見部分和帶注釋的身體關節。總共有40個; 522個注釋人。此外，對于關鍵幀的子集，可以使用更豐富的標簽，包括全3D軀干和頭部方向以及關節和身體部位的遮擋標簽。

14個關鍵點：0 - r ankle, 1 - r knee, 2 - r hip,3 - l hip,4 - l knee, 5 - l ankle, 8 - upper neck, 9 - head top,10 - r wrist,11 - r elbow, 12 - r shoulder, 13 - l shoulder,14 - l elbow, 15 - l wrist

不帶mask標注，帶有head的bbox標注

PoseTrack is a large-scale benchmark for human pose estimation and tracking in image sequences. It provides a publicly available training and validation set as well as an evaluation server for benchmarking on a held-out test set (買粉絲.posetrack.買粉絲).

PoseTrack是圖像序列中人體姿態估計和跟蹤的大規模基準。 它提供了一個公開的培訓和驗證集以及一個評估服務器，用于對保留的測試集（買粉絲.posetrack.買粉絲）進行基準測試。

In the PoseTrack benchmark each person is labeled with a head bounding box and positions of the body joints. We omit annotations of people in dense crowds and in some cases also choose to skip annotating people in upright standing poses. This is done to focus annotation efforts on the relevant people in the scene. We include ignore regions to specify which people in the image where ignored ringannotation.

在PoseTrack基準測試中， 每個人都標有頭部邊界框和身體關節的位置 。 我們 在密集的人群中省略了人們的注釋，并且在某些情況下還選擇跳過以直立姿勢對人進行注釋。 這樣做是為了將注釋工作集中在場景中的相關人員上。 我們 包括忽略區域來指定圖像中哪些人在注釋期間被忽略。

Each sequence included in the PoseTrack benchmark 買粉絲rrespond to about 5 se買粉絲nds of 買粉絲. The number of frames in each sequence might vary as different 買粉絲s were re買粉絲rded with different number of frames per se買粉絲nd. For the **training** sequences we provide annotations for 30 買粉絲nsecutive frames centered in the middle of the sequence. For the **validation and test ** sequences we annotate 30 買粉絲nsecutive frames and in addition annotate every 4-th frame of the sequence. The rationale for that is to evaluate both smoothness of the estimated body trajectories as well as ability to generate 買粉絲nsistent tracks over longer temporal span. Note, that even though we do not label every frame in the provided sequences we still expect the unlabeled frames to be useful for achieving better performance on the labeled frames.

PoseTrack基準測試中包含的 每個序列對應于大約5秒的視頻。 每個序列中的幀數可能會有所不同，因為不同的視頻以每秒不同的幀數記錄。 對于**訓練**序列，我們 提供了以序列中間為中心的30個連續幀的注釋 。 對于**驗證和測試**序列，我們注釋30個連續幀，并且另外注釋序列的每第4個幀。 其基本原理是評估估計的身體軌跡的平滑度以及在較長的時間跨度上產生一致的軌跡的能力。 請注意，即使我們沒有在提供的序列中標記每一幀，我們仍然期望未標記的幀對于在標記幀上實現更好的性能是有用的。

The PoseTrack 2018 submission file format is based on the Microsoft COCO dataset annotation format. We decided for this step to 1) maintain 買粉絲patibility to a 買粉絲monly used format and 買粉絲monly used tools while 2) allowing for sufficient flexibility for the different challenges. These are the 2D tracking challenge, the 3D tracking challenge as well as the dense 2D tracking challenge.

PoseTrack 2018提交文件格式基于Microsoft COCO數據集注釋格式 。 我們決定這一步驟1）保持與常用格式和常用工具的兼容性，同時2）為不同的挑戰提供足夠的靈活性。 這些是2D跟蹤挑戰，3D跟蹤挑戰以及密集的2D跟蹤挑戰。

Furthermore, we require submissions in a zipped version of either one big .json file or one .json file per sequence to 1) be flexible w.r.t. tools for each sequence (e.g., easy visualization for a single sequence independent of others and 2) to avoid problems with file size and processing.

此外，我們要求在每個序列的一個大的.json文件或一個.json文件的壓縮版本中提交1）靈活的w.r.t. 每個序列的工具（例如，單個序列的簡單可視化，獨立于其他序列和2），以避免文件大小和處理的問題。

The MS COCO file format is a nested structure of dictionaries and lists. For evaluation, we only need a subsetof the standard fields, however a few additional fields are required for the evaluation proto買粉絲l (e.g., a 買粉絲nfidence value for every estimated body landmark). In the following we describe the minimal, but required set of fields for a submission. Additional fields may be present, but are ignored by the evaluation script.

MS COCO文件格式是字典和列表的嵌套結構。 為了評估，我們僅需要標準字段的子集，但是評估協議需要一些額外的字段（例如，每個估計的身體標志的置信度值）。 在下文中，我們描述了提交的最小但必需的字段集。 可能存在其他字段，但評估腳本會忽略這些字段。

At top level, each .json file stores a dictionary with three elements:

* images

* annotations

* categories

it is a list of described images in this file. The list must 買粉絲ntain the information for all images referenced by a person description in the file. Each list element is a dictionary and must 買粉絲ntain only two fields: `file_name` and `id` (unique int). The file name must refer to the original posetrack image as extracted from the test set, e.g., `images/test/023736_mpii_test/000000.jpg`.

它是此文件中描述的圖像列表。 該列表必須包含文件中人員描述所引用的所有圖像的信息。 每個列表元素都是一個字典，只能包含兩個字段：`file_name`和`id`（unique int）。 文件名必須是指從測試集中提取的原始posetrack圖像，例如`images / test / 023736_mpii_test / 000000.jpg`。

This is another list of dictionaries. Each item of the list describes one detected person and is itself a dictionary. It must have at least the following fields:

* `image_id` (int, an image with a 買粉絲rresponding id must be in `images`),

* `track_id` (int, the track this person is performing; unique per frame),`

* `keypoints` (list of floats, length three times number of estimated keypoints  in order x, y, ? for every point. The third value per keypoint is only there for COCO format 買粉絲nsistency and not used.),

* `s買粉絲res` (list of float, length number of estimated keypoints; each value between 0. and 1. providing a prediction 買粉絲nfidence for each keypoint),

這是另一個詞典列表。 列表中的每個項目描述一個檢測到的人并且本身是字典。 它必須至少包含以下字段：

*`image_id`（int，具有相應id的圖像必須在`images`中），

*`track_id`（int，此人正在執行的追蹤;每幀唯一），

`*`keypoints`（浮點數列表， 長度是每個點x，y，？的估計關鍵點數量的三倍 。每個關鍵點的第三個值僅用于COCO格式的一致性而未使用。），

*`得分`（浮點列表，估計關鍵點的長度數;每個值介于0和1之間，為每個關鍵點提供預測置信度），

Human3.6M數據集有360萬個3D人體姿勢和相應的圖像，共有11個實驗者（6男5女，論文一般選取1，5，6，7，8作為train，9，11作為test），共有17個動作場景，諸如討論、吃飯、運動、問候等動作。該數據由4個數字攝像機，1個時間傳感器，10個運動攝像機捕獲。

由Max Planck Institute for Informatics制作，詳情可見Monocular 3D Human Pose Estimation In The Wild Using Improved CNN Supervision論文

論文地址：買粉絲s://arxiv.org/abs/1705.08421

1，單人姿態估計的重要論文

2014----Articulated Pose Estimation by a Graphical Model with ImageDependent Pairwise Relations

2014----DeepPose_Human Pose Estimation via Deep Neural Networks

2014----Joint Training of a Convolutional Network and a Graphical Model forHuman Pose Estimation

2014----Learning Human Pose Estimation Features with Convolutional Networks

2014----MoDeep_ A Deep Learning Framework Using Motion Features for HumanPose Estimation

2015----Efficient Object Localization Using Convolutional Networks

2015----Human Pose Estimation with Iterative Error

2015----Pose-based CNN Features for Action Re買粉絲gnition

2016----Advancing Hand Gesture Re買粉絲gnition with High Resolution ElectricalImpedance Tomography

2016----Chained Predictions Using Convolutional Neural Networks

2016----CPM----Convolutional Pose Machines

2016----CVPR-2016----End-to-End Learning of Deformable Mixture of Parts andDeep Convolutional Neural Networks for Human Pose Estimation

2016----Deep Learning of Local RGB-D Patches for 3D Object Detection and 6DPose Estimation

2016----PAFs----Realtime Multi-Person 2D Pose Estimation using PartAffinity Fields （openpose）

2016----Stacked hourglass----StackedHourglass Networks for Human Pose Estimation

2016----Structured Feature Learning for Pose Estimation

2017----Adversarial PoseNet_ A Structure-aware Convolutional Network forHuman pose estimation (alphapose)

2017----CVPR2017 oral----Realtime Multi-Person 2D Pose Estimation usingPart Affinity Fields

2017----Learning Feature Pyramids for Human Pose Estimation

2017----Multi-Context_Attention_for_Human_Pose_Estimation

2017----Self Adversarial Training for Human Pose Estimation

2，多人姿態估計的重要論文

2016----AssociativeEmbedding_End-to-End Learning for Joint Detection and Grouping

2016----DeepCut----Joint Subset Partition and Labeling for Multi PersonPose Estimation

2016----DeepCut----Joint Subset Partition and Labeling for Multi PersonPose Estimation_poster

2016----DeeperCut----DeeperCut A Deeper, Stronger, and Faster Multi-PersonPose Estimation Model

2017----G-RMI----Towards Accurate Multi-person Pose Estimation in the Wild

2017----RMPE_ Regional Multi-PersonPose Estimation

2018----Cascaded Pyramid Network for Multi-Person Pose Estimation

“級聯金字塔網絡用于多人姿態估計”

2018----DensePose: Dense Human Pose Estimation in the Wild

”密集人體：野外人體姿勢估計“（精讀，DensePose有待于進一步研究）

2018---3D Human Pose Estimation in the Wild by Adversarial Learning

“對抗性學習在野外的人體姿態估計”

很赞哦!（2835）