姿态估计及跟踪“Detect-and-Track: Efficient Pose Estimation in Videos”

基于行人检测和视频理解，估计及跟踪人体关键点。首先在单帧或短视频剪辑估计关键点，然后使用轻量级网络生成关键点的估计。单帧的估计使用Mask-RCNN，3D Mask-RCNN。在PoseTrack上对比，MOTA为51.8%。

相关工作
单帧图像姿态估计：Mask R-CNN，DeeperCut，[4][33]
多帧姿态估计：PoseTrack[22]，[18]
视频多目标跟踪：递归神经网络[32，38]，[9]

两步法姿态跟踪
1.时空姿态估计
第一步是使用Mask R-CNN估计姿态。将2D卷积扩展到3D，3D卷积核的接收域分布在时空维度，模型的输入是T帧相邻的帧。扩展RPN，预测目标的候选区域。候选区域通过时空的RoIAlign操作，提取特定实例的特征。这些特征输入到头部用于姿态估计，3D Mask R-CNN的输出是tube集合的关键点估计，模型如下图所示：

基础网络
扩展ResNet到3D ResNet，center初始化替代mean初始化

Tube Proposal Network
给点基础网络的特征图，