单目视觉深度估计测距的前生今世自动驾驶中单目摄像头检测输出3-D边界框的方法一览CVPR2019论文解读：单眼提升2D检测到6D姿势和度量形状ROI-10D: Monocular Lifting of 2D Detection to 6D Pose and Metric Shape本文提供了基于端到端单目3D目标检测和度量形状检索的深度学习方法。为了在3D中提升2D检...

提出了一种新的Bottom-up的人体姿态估计方法HigherHRNet，该方法利用高分辨率特征金字塔学习尺度感知表示。该方法在训练方面具有多分辨率监督，在推理方面具有多分辨率聚合功能，能够较好地解决自底向上多人姿态估计中的尺度变化挑战，并能更精确地定位关键点，特别是对小人物。HigherHRNet中的特征金字塔由HRNet的特征映射输出和通过转置卷积的上采样高分辨率输出组成。.........

参考以下英文教程：OpenCV Face Recognition - PyImageSearch一、所需代码安装1.1、OpenCVOpenCV Tutorials, Resources, and Guides | PyImageSearch2、FaceNet3、TensorFlow4、Python二、下载示例代码地址：https://github.com/Ravi-Singh88/Face-Re

参考1、3D 人体姿态估计简述 - 知乎2、3D人体姿态估计（介绍及论文归纳）0 前言3D Human Pose Estimation（以下简称 3D HPE ）的目标是在三维空间中估计人体关键点的位置。3D HPE 的应用非常广泛，包括人机交互、运动分析、康复训练等，它也可以为其他计算机视觉任务（例如行为识别）提供 skeleton 等方面的信息。关于人体的表示一般有两种方式：第一种以骨架的形式

本文将结合 MMPose 对 3D HPE 的主流算法和数据集做一些介绍。1 主流算法1.1 基于单目图像的方法由于单目图像易于获取且不受场景限制，很多方法都以此为输入数据。但是，正如前面提到的，根据 2D 图像估计 3D 姿态是一个不适定问题，即可能存在多个不同的 3D 姿态，它们的 2D 投影是同一个 2D 姿态。并且，基于单目图像的方法也面临着自遮挡、物体遮挡、深度的不确定性等问题。由于缺少

提出了一种简单而有前途的关键点坐标解耦表示(a Simple yet promising Disentangled Representation for keypoint coordinate，SimDR)，将人体关键点定位重新定义为一种分类任务

参考：FaceDetector/detect_step_by_step.ipynb at master · faciallab/FaceDetector · GitHub中文翻译：从零开始搭建人脸识别系统（一）MTCNN - 知乎1、网络结构mtcnn 算法人脸检测过程分为三个独立的stage，每一个stage对应一个卷积网络，分别为pnet，rnet，onet。网络结构如图所示。mtcnn三个网

https://zhuanlan.zhihu.com/p/97397273一、单目图像下的3D目标检测1、YOLO3D2、SSD-6D3、3D Bounding Box Estimation Using Deep Learning and Geometry4、GS3D:An Effcient 3D Object Detection Framework for Autonomou...

参考：史上最详细循环神经网络讲解（RNN/LSTM/GRU）一、RNN（循环神经网络）参考链接一文搞懂RNN（循环神经网络）基础篇1、神经网络基础神经网络可以当做是能够拟合任意函数的黑盒子，只要训练数据足够，给定特定的x，就能得到希望的y，结构图如下：将神经网络模型训练好之后，在输入层给定一个x，通过网络之后就能够在输出层得到特定的y，那么既然有了这么强大的模型，...

参考：3D检测入门知识梳理