阅读小结：Stacked Hourglass Networks for Human Pose Estimation

arXiv: https://arxiv.org/pdf/1603.06937v2.pdf

github: https://github.com/anewell/pose-hg-train

What:

人体关键点预测，输入人体图像输出几个关键点。

使用了反复迭代bottom down/  top down 这个策略在人脸landmark 甚至更早像ASM就有，反复迭代来更精确。

但在CNN上具体是怎么操作的呢？（文题中的hourglass沙漏就是指结构像沙漏一样吧）

How:

1. 基本块

他们使用residual 作为基本网络结构

1*1 的卷积降维256->128 ，3*3 的卷积，1*1的卷积升维128->256

2. 单个沙漏网络的拓扑结构是对称的，结构类似fully convolutional network for semantic segmentation,(语义分割的那篇CVPR paper)

最终一共使用了8个沙漏网络。每个沙漏网络的输入都为 64＊64.  （输入图片大小为256*256，一开始经过一次7*7 stride2 的conv 和一次 maxpooling  变成64）

3.如上图，在每次pooling之后都会有1个basic building block 加到之后 upsampling中相同大小的map中。

（这里可以看出每个pooling前的feature map都是256 channel的，up sampling的时候也是256 channel的）

4. 使用了中层监督，对前几个沙漏网络也有loss，这和训练深层res net／inception net一样。而loss的方法如下图

蓝色是prediction（这里有map的 regression Loss），有一路直传，一路从上一个沙漏网络来，三路加到一起传到下一个沙漏