数据说明

训练集

组织方不提供统一的训练集，参赛者可以使用任意训练数据，比如 COCO（keypoints-2018），也可以使用自己构建的数据库。

测试集：

图片格式：文件夹body_keypoint_test中测试图片后缀为.jpg,分辨率不唯一。
测试数据集：单人
标注：人物的全部人体骨骼关键点共有17个，编号顺序如表所示，依次为


0/Pelvis	1/R-hip	2/R-knee	3/R-ankle
4/L-hip	5/L-hip	6/L-ankle	7/Thorax
8/Neck	9/Head	10/Head top	11/L-shoulder
12/L-elbow	13/L-wrist	14/R-shoulder	15/R-elbow
16/R-wrist

每个人体骨骼关键点可见状态规定： $v_0$ =1； $v_7$ =1.5；其他15个关键点 $v$ =2
三个标注的可视化例子如下图所示：

图1

图2

图3

结果提交说明

运行环境

Ubuntu 16.04
GTX1080Ti 11GB
pyotrch=0.4.1/tensorflow=1.4.0

可执行文件

把需要的包写在requirements.txt，根据选手提供的requirements.txt在服务器上安装好项目的依赖包，再运行python test.py --data_dir xxxxxxx(测试集数据目录)返回结果应为一个json文件（keypoint_result.json），格式如数据输出部分所示。并保存到目录下的./keypoint_result文件夹中。

数据输入

根据上面给定的测试集说明，请选手在实现中自己定义数据的输入，通过--data_dir定义的数据路径实现数据的读入。
例如：
给定test.py,应能够在服务器运行环境中按如下格式顺利运行：

python test.py --data_dir xxxxxxxx(测试集数据目录)

数据输出

选手在测试集返回的结果应为JSON文件，格式如下：

    [
        {
        "image_id": "4783.jpg",
        "bbox"：[128.35,96.02,585.85,1077.02]
        "keypoint_annotations": 
        [341.21,554.72,1,273,558.31,2,283.77,809.61,2,276.59,1032.19,2,409.42,551.13,2,413.01,806.02,2,452.5,1039.37,2,337.62,370.433,1.5,337.62,242.39,2,343.005,170.59,2,348.39,98.79,2,434.55,278.29,2,556.61,360.86,2,463.27,461.38,2,233.51,278.29,2,165.3,403.94,2,201.2,263.93,2 ]
        }
      
        ...
    ]

其中image_id字段为图片名，bbox字段为bounding box左上角坐标(x,y)、bounding box右下角坐标(x,y),keypoint_annotations字段为若干长度为51的数列，人体骨骼关键点的编号顺序依次为：{0-Pelvis 1-Rhip 2-Rkne 3-Rank 4Lhip 5-Lkne 6-Lank 7-Thorax 8-Neck 9-Head 10-Headtop 11-Lsho 12-Lelb 13-Lwri 14-Rsho 15-Relb 16-Rwri}。未检测出的人体骨骼关键点可用(0,0,0)代替。

评价标准

主要评估指标为平均精度均值 mAP（mean average precision）：
$mAP=mean\{AP@(0.50:0.05:0.95)\}$
AP（平均精度）计算公式如下：
$AP@s={\sum_p \delta(OKS_p>s)\over\sum_p1}$
其中，Object Keypoint Similarity (OKS) 为对象关键点相似度：
$OKS={{\sum_i[e^{-D_i^2\over2s^2k_i^2}\delta(v_i>0)]}\over\sum_i[\delta(v_i>0)]}$
OKS 公式中, $D_i=||\hat\theta_i^{(p)}-\theta_i^{(p)}||_2$ ， $s$ 为对象尺度， $k_i$ 为一个控制衰减的按键控制常数, $v_i$ 表示实际真值的可见性标记。