基于深度学习的人体姿态估计方法综述

基于深度学习的人体姿态估计方法旨在通过构建合适的神经网络，直接从二维的图像特征中回归出人体姿态信息。主要按照2D人体姿态估计到3D人体姿态估计的顺序，并从单人检测与多人检测、稀疏的关节点检测与密集的模型构建等方面，对近年来基于深度学习的人体姿态估计方法进行系统介绍，从而初步了解如何通过深度学习的方法得到人体姿态的各个要素，包括肢体部件的相对朝向和比例尺度、骨骼关节点的位置坐标和连接关系，甚至更为复杂的人体蒙皮模型信息。最后,对当前研究面临的挑战以及未来的热点动向进行概述，清晰地呈现出该领域的发展脉络。     

改进YOLOv3网络在图像中评价空气质量

空气质量指数和PM2.5浓度是衡量大气污染程度的两种重要指标。在图像检测算法的框架下,提出了一种基于YOLOv3网络模型的空气质量评价方法。该模型对YOLOv3网络进行了改进,包含多锚点检测机制和卷积投票网两个模块,适用于非固定场景下的空气质量指数评估,以及固定场景下的PM2.5浓度预测。该方法的准确率在2018年全球人工智能应用大赛中得到了总分第3名的成绩,同时基于darknet框架的YOLOv3模型可以达到实时的需求,对空气质量评价的相关研究具有重要的借鉴意义。