分享一下我老师大神的人工智能教程！零基础，通俗易懂！http://blog.csdn.net/jiangjunshow
也欢迎大家转载本篇文章。分享知识，造福人民，实现我们中华民族伟大复兴！
本目录下的代码赢得了2016年MSCOCO关键点挑战赛以及2016年ECCV最佳演示奖，并发表在2017年CVPR的口头论文(Oral Paper）中。
演示视频：
在论文中，我们提出了一种自下而上的方法进行多人姿态估计，这种方法不需要任何行人检测的算法。
论文地址：https://arxiv.org/abs/1611.08050
实验结果
测试C ++（实时版本，用于演示）
按照说明，使用我们改动后的Caffe。
改动后caffe地址：https://github.com/CMU-Perceptual-Computing-Lab/caffe_rtpose
三种输入选项：图像，视频，网络摄像机
Matlab（较慢，用于COCO评估）
·兼容一般的Caffe，但需要编译matcaffe。
·运行
cd testing
get_model.sh
从我们的Web服务器检索最新的MSCOCO模型。
更改config.m中的caffe 地址并运行demo.m例程。
Pythoncd testing / python
ipython notebook
打开demo.ipynb 并执行代码
训练网络结构
训练步骤
运行
cd training
bash getData.sh
得到 dataset/COCO/images/ 文件夹下的数据集COCO，关键点信息在 dataset/COCO / annotations / 文件夹中，COCO官方工具箱在文件夹 dataset/ COCO / coco / 下。
·在 matlab 中运行 getANNO.m，在dataset/COCO/mat/将标注格式从 json 转换为 mat。
·在 matlab 中运行 genCOCOMask.m，得到无标签人的掩码图像。并且，在 matlab 中可以使用'parfor'（并行计算）来加速代码。
·运行genJSON('COCO')，在 dataset/COCO/json/中生成一个 json 文件。 json 文件包含训练所需的原始信息。
·运行python genLMDB.py 生成 COCO 数据库的 LMDB 文件，也可以运行如下代码：
bashget_lmdb.sh
得到已经生成好的LMDB文件
·下载改动后的caffe，编译 pycaffe。他将与 caffe_rtpose（用于测试）合并。
·运行
pythonsetLayers.py —exp 1
生成用于训练的prototxt和脚本文件。
下载VGG-19模型。利用此模型初始化前10层网络参数。
模型地址： https://gist.github.com/ksimonyan/3785162f95cd2d5fee77
运行
bash train_pose.sh 0,1
由setLayers.py生成，开始使用两个GPU进行训练。
相关论文：https://github.com/shihenw/convolutional-pose-machines-release
点击阅读原文跳转Github资源
给我老师的人工智能教程打call！http://blog.csdn.net/jiangjunshow
