Изменения

|[[file:Openpose vs competitionOpenposeschema.png|300px500px|thumb| Рисунок 10 [[https://githubarxiv.comorg/CMU-Perceptual-Computing-Labpdf/openpose/blob/master/README1611.08050.md pdf x]]]]|} Архитектура решения кратко изображена на рисунке 10: решение является многослойной CNN с двумя ветвями. Каждый слой в первой ветви предсказывает карту уверенности S^t, и каждый слой второй ветви предсказывает сходство фрагментов (англ. ''PAFs'') L^t. После каждого слоя, результаты каждой ветви, вместе с признаками изображения, объединяются для следующего слоя. <br><br><br><br><br><br><br><br><br>Важной особенностью является скорость работы данного решения. На рисунке 10 11 представлено сравнение времени работы трех доступных библиотек, решающих задачу определения положения человека (в одинаковых условиях на одинаковом аппаратном обеспечении): OpenPose, Alpha-Pose (fast Pytorch version), и Mask R-CNN. Время исполнения OpenPose является константным, в то время как у Alpha-Pose и Mask R-CNN линейно растет с числом людей на исходных данных.<br><br>Архитектура решения кратко изображена на рисунке 11: решение является многослойной CNN с двумя ветвями. Каждый слой в первой ветви предсказывает карту уверенности S^t, и каждый слой второй ветви предсказывает сходство фрагментов (англ. ''PAFs'') L^t. После каждого слоя, результаты каждой ветви, вместе с признаками изображения, объединяются для следующего слоя.

|[[file:OpenposeschemaOpenpose vs competition.png|500px300px|thumb|Рисунок 11 [[https://arxivgithub.orgcom/pdfCMU-Perceptual-Computing-Lab/1611.08050openpose/blob/master/README.pdf md x]]]]