论文：TransPose: Keypoint Localization via Transformer
Sen Yang Zhibin Quan Mu Nie Wankou Yang*
School of Automation, Southeast University, Nanjing 210096, China
{yangsenius, 101101872, niemu, wkyang}@seu.edu.cn
下载地址：https://arxiv.org/pdf/2012.14214v5.pdf
本周任务：代码学习
Backbone
只保留原始 ImageNet 预训练 CNN 的最初几个部分，以从图像中提取特征。 我们将它们命名为 ResNet-S 和 HRNet-S，其参数数量仅为原始 CNN 的 5.5% 和 25% 左右。
计算网络的shape
ResNet
参数详见文件：TP_R_256x192_d256_h1024_enc3_mh8.yaml
训练好的模型文件：models/pytorch/transpose_coco/目录下的对应文件
直接用下面的语句运行test文件
python tools/test.py --cfg experiments/coco/transpose_r/TP_R_256x192_d256_h1024_enc3_mh8.yaml TEST.USE_GT_BBOX True
得到的loss和acc
这是个主要的切入点正如我们在论文中所描述的，计算前100幅图像的flops在COCO val2017上，并报告平均结果
python tools/compute_flops.py experiments/coco/transpose_r/TP_R_256x192_d256_h1024_enc3_mh8.yaml
注意在compute_flops会有一个报错
解决办法：修改compute_flops 第48行
用以下三种方式都可以
d1=yaml.load(file,Loader=yaml.FullLoader)
d1=yaml.safe_load(file)
d1 = yaml.load(file, Loader=yaml.CLoader)
得到的FPS如下图所示：
同理可以实现HRNet
