2021-03-14

A simple yet effective baseline for 3d human pose estimation论文的思路讲解（如果有不正确的的地方，请及时指出）

原文：A simple yet effective baseline for 3d human pose estimation

收录：ICCV2017

代码：tensorflow

本文章主要是对论文的整个问题解决思路进行一个解析，不是对论文的翻译。

非常有幸能读到这篇经典论文，并且对它进行一个分析。

主要是从以下几个方面进行分析

一：问题的提出

尽管目前3D姿态估计表现非常出色，但是给定一张图片来预测出三维关节点的坐标，通常不容易理解，是哪一个过程出现了问题，导致回归的结果不是很优秀（图片-2D pose 还是2D-3D姿态回归,论文针对的是分阶段方法。3D人体姿态估计的解决方法可以看 Vegetaberd的这篇文章）。

论文是针对2D-3D姿态估计这个阶段进行分析。

二：解决方法：

在图片-2D pose这个阶段，论文主要是说了两种方式，第一种： 利用3D关节点真实的位置，根据相机的参数来得出2D关节点的位置（代码中写的非常清晰）；第二种：利用当前最优秀的2D 关节点检测器来得出2D节点坐标。

论文提出了一个简易的神经网络的模型，来处理2D到3D姿态回归的问题，

网络的模型非常简单 就用图片先粘贴一下，下次文章一定用自己写出来的（加鸡腿鼓励一下自己）

网络的模型非常简单了，具体就不介绍了，有深度学习基础的同学，应该能看明白。

实验结果显示，使用第一种方法，错误率比现有的技术水平低了30%,使用第二种方法，正确率也是略优于目前最好的方法。

三：创新点：

假设了2D-3D这个阶段是3D人体姿态回归的主要问题，提出了简易的神经网络的模型。结果取得了很好的效果，证明这一假设是正确的。

四：改进点提出:

2D人体姿态估计这个方面可以加强，提高准确率；

网络中没有增加图片的信息内容，可以考虑增加图片的内容信息来提高准确率；

可以考虑增加网络的复杂度，来提高准确率；