实录|旷视研究院详解COCO2017人体姿态估计冠军论文（PPT 视频）(9)

我们没办法去定义什么是easy point，什么是hard point，正是因为这样，所以我们就做了一个Online Hard Keypoints Mining。在线将那些loss值比较高的关节点作为难关节点来学习。
Code有开源的计划吗？
有的，不过我们的code是旷视自研深度学习框架Meg Brain上实现的，要迁移到开源框架（如tensorflow）需要一个过程，还有开源时间也跟我们的工作安排有关。
人体姿态检测的应用场景主要有哪些？
我觉得随着技术的不断成熟，人体姿态检测的应用场景会越来越多，比如：步态分析、行为分析、零售等场景。
Train的batch是多少？
我们训练的时候根据输入图像的尺寸不同，batch_size在20到64之间。
相关学习资源
以上就是此次旷视研究院王志成带来分享的全部内容，在 量子位公众号（QbitAI） 界面回复 “171219” 可获得 完整版PPT 以及 视频回放链接 。
第一期回顾： 旷视研究院解读COCO2017物体检测算法夺冠论文
P.S. 12月20日（周三）晚19:30，旷视研究院研究员、COCO竞赛队主力队员、论文一作黎泽明，将带来 吃瓜社第三期：解读Light-Head R-CNN，一起讨论如何在物体检测中平衡精确度和速度 ，欢迎报名~
— 完 —
活动报名
加入社群