我想创建一个能够估计人的姿势并识别他们的脸的应用程序。问题是，据我所知，每个任务都必须由不同类型的网络执行，因为我没有合适的数据集或编写此类网络的能力。 在最坏的情况下，我将不得不用4个用于不同的网络： 1）估算人的位置的网络，例如：https://github.com/michalfaber/keras_Realtime_Multi-Person_Pose_Estimation。例如，这种网络的输出是每个检测到的人19点。
2）用于人脸检测的网络可以预测图像上的人脸。我知道我可以使用人体姿势估计中先前描述的点做出有根据的猜测，但是我认为这将是非常不精确的。示例网络：https://github.com/kpzhang93/MTCNN_face_detection_alignment
3）从点2）检测到的人脸将被馈送到预测人脸着陆标记的网络中，以获取人脸的详细位置。示例网络：https://www.learnopencv.com/facemark-facial-landmark-detection-using-opencv/
4）最后，从点2）中检测到的脸部将像这样被馈送到脸部识别网络中：https://machinelearningmastery.com/how-to-perform-face-recognition-with-vggface2-convolutional-neural-network-in-keras/
使用这四个网络，我可以想象它像这样工作：
1）估计人体姿势并获得头部坐标
2）检测人脸的边界框
3）这些边界框用于获取人脸界标的详细坐标。使用这些地标坐标，我可以找到此脸属于哪些人体姿势估计。
4）最后，将人脸和人的姿势估计值匹配，我可以识别出该人脸并获得其名称。
我的问题是，这是4个不同的网络！假设我很幸运，并且每个人只需要1秒钟就可以进行预测，那么可能需要3-4秒钟来进行完整的分析。 除了编写我自己的网络（祝你好运）并在新的数据集上进行训练之外，还有没有更好，更快的方法？
答案 0 :(得分：0)
我认为您的想法很好，有可能在一个包含多个类的网络中恢复所有这些操作，但是就像您说的那样，这是不精确的，因为您将任务分隔得尽可能精确，所以我认为这样更好