论文解读-Rethinking on Multi-Stage Networks for Human Pose Estimation

---

新的一年，开始了新的征程。为了在检测方向走的更远，精读论文还是少不了的。笔者最近翻看了微软的COCO比赛官网，发现它包含了如下任务，

（1）目标检测（80类）；

（2）人体关节点检测（17个点）；

（3）Stuff分割（也即semantic分割，指代不规则目标的分割，比如grass、wall、sky、人群等）；

（4）全景分割（包含了semantic分割 和 instance分割）；

对于Keypoints 2018比赛，冠军队伍为Face++，亚军为MSRA，后者的工作在“Simple Baselines for Human Pose Estimation and Tracking”中有介绍，算法思路比较简单，大家感兴趣可以去读，本文主要讲解第一名的工作。

1 动机

在前面的博文中，笔者提到人体姿态估计的算法分为两种，top-to-down和bottom-to-up，这是从解决问题的顺序角度划分的。与此同时，如果从算法的网络结构方面考虑，可以划分成single-stage和multi-stage的算法。single-stage指经过一次encoder-decoder操作得到最终的关节点位置，比如上文中提到的MSRA的工作，而multi-stage指经过多次encoder-decoder操作得到最终的关节点位置，比如Hourglass network。

对分类任务而言，更深的网络往往比浅层网络效果更好，但是在COCO keypoints 2016、2017比赛中，冠军算法是single-stage的，为什么会这样呢？

针对multi-stage算法效果不好的问题，作者提出了3点可优化的方向，汇总如下&#x