OpenPose：使用部分亲和力场的实时多人2D姿态估计

**核心工作：**提出一种使用非参数表示（PAF）进行自下而上检测图像中多人二维姿态的高精度、实时系统。
多人姿态估计难点：
1. 图像中人体的数量与比例未知；
2. 人与人之间由于接触、遮挡等产生的复杂空间干扰，使得各部分关联变得困难；
3. 计算随着估计的人数增加而增大，对实时性能要求很高。
自上而下人体检测：
1. 先利用目标检测算法检测出单个人体，然后逐个进行单人的关键点检测；
2. 特点：准确率较高；但当人体因靠近而产生空间干扰时检测效果不好，以及计算时间与图像中人数成比例；
自下而上人体检测：
1. 先检测出图像中所有的关键点信息，然后分配给单个人；
2. 特点：准确率不够高；但处理速度较快。
算法流程：将图像作为估计网络模型CNN的输入，预测人体的部分置信图以及部分亲和场，通过二分匹配进行局部关联，最终组合成人体的全身。

2019版本的新工作：
1. 证明PAF细化对于提升精度至关重要，而身体部位的预测并不重要；
2. 公布了人-脚部关键点的训练集
3. 将提出的方法用在了车辆关键点估计任务来证明可行
4. 提出了Openpose，第一个用于多人2D检测身体、面部、手、脚部位关键点的实时系统
部分亲和场（PAFs）：
1. 一组对可变数量的人体部位非结构化对应关系编码的流场表示；
2. 从PAF可以不需要额外训练步骤获得对人体关键点关系进行高质量解析的“成对分数”，并具有多人实时估计的功能；
估计未知数量人：对每对身体部位进行置信度测量，即他们属于同一个人，一般测量的形式是检测每对身体部位的附加中点，计算所有可能配对的发生概率。然后这样的方式只保留了肢体的位置却没有方向，并且将肢体的支撑区域减少到单个点；当使用PAF时，其测量的信息时每个肢体的2D矢量场，因此效果更好