文章
124
标签
21
课程
29
主页
标签
课程
关于
風
搜索
主页
标签
课程
关于
EE6427-P5-视频分析与理解
发表于
2026-01-15
|
更新于
2026-08-18
|
南洋理工CE
EE6427-Video-Signal-Processing
阿尔戈在迷宫区搜集到的零碎攻略信息,还在整理...
文章作者:
栞风
文章链接:
https://www.kaysonz.top/posts/12579ad5
版权声明:
本博客所有文章除特别声明外，均采用
CC BY-NC-SA 4.0
许可协议。转载请注明来自
風
！
private
计算机视觉
目录
1.
目标检测
1.1.
引入
1.1.1.
应用
1.1.2.
发展历史
1.1.3.
未来挑战
1.1.4.
公开数据库
1.1.5.
评价性能的方法:mAP
1.1.5.1.
交并比的概念
1.1.5.2.
mAP的计算
1.1.6.
计算复杂度指标 ：浮点运算 (FLOPs)
1.2.
Two Stage Detectors
1.2.1.
引入
1.2.2.
R-CNN架构
1.2.3.
Faster-RCNN架构
1.3.
One Stage Detectors
1.3.1.
引入
1.3.2.
YOLO的总体架构
1.4.
Lightweight Detectors（轻量级检测器）
1.4.1.
MobileNet
1.5.
新兴物体检测方法
1.5.1.
Swin Transformer
1.5.2.
Detection Transformer（DETR）
1.5.3.
Grounding DINO
2.
目标跟踪
2.1.
引入
2.2.
多目标跟踪 Multiple Object Tracking (MOT)
2.2.1.
引入
2.2.2.
基于检测的跟踪（Tracking by Detection）
2.3.
新兴多目标跟踪方法
2.3.1.
Trackformer
3.
姿态估计（Pose Estimation）
3.1.
引入
3.1.1.
姿态估计简述
3.1.2.
基础评估指标（Performance Metrics）
3.1.3.
姿态检测方法总览
3.2.
单人姿态估计算法
3.2.1.
回归方法（Regression Method）
3.2.2.
身体部位检测(Body Part Detection)
3.3.
多人姿态估计算法
3.3.1.
自顶向下方法（Top-Down Methods ）
3.3.2.
自底向上方法（Bottom-up Methods）
3.4.
新兴姿态估计算法
3.4.1.
TransPose
3.5.
3D姿态估计算法
3.5.1.
2D姿态估计的局限性
3.5.2.
3D姿态识别的挑战
3.5.3.
主流的3D姿态识别方法
3.5.3.1.
Direct 3D Pose Estimation / End-to-End (端到端直接预测 3D)
3.5.3.2.
Two-Stage / 2D-to-3D Methods (两阶段法：先 2D，后 3D)
3.5.4.
MotionBERT算法
4.
人类动作识别（ Human Action Recognition）
4.1.
引入
4.1.1.
作用与应用
4.1.2.
常用数据集
4.2.
Two-Stream Networks
4.3.
3D CNNs
4.4.
Efficient Video Modelling：Time Shift Module
4.5.
新兴算法
4.5.1.
Video Swin Transformer
4.5.2.
基于骨架的网络（Skeleton Based Network）
搜索
数据库加载中
