人体姿态估计

一、DeepPose

DeepPose:Human pose estimation via deep neural networks

使用7层CNN级联，不像以往设计图模型和部分检测器的模式，它使用了整个图作为一个整体输入网络

二、Learning human pose estimation features with networks

使用ＣＮＮ部分检测器和MRF马尔科夫随机场空间模型联合训练

三、Mask RCNN

它可以做分割、分类、行人检测

分割的网络有：

1. MNC：

2015 COCO segmentation challenge champion

2. 全卷积实例分割Fully convolutional Instance-aware Semantic Segmentation

因为卷积具有移不变性，所以相同的像素点具有相同的响应，与它在语义中所处的位置无关。然而，实例感知的语义分割需要在区域级别上操作，不同区域的相同像素应该有不同的语义。单一的全卷积分割无法完成这个过程，需要一个移变特性的网络来解决这一问题。

现有语义分割网络弊端：

分割和分类单独分开进行；

分割子网络没有考虑同类物体不同实例的差异；

对于每一个ROI运行一次分割子网络，每个ROI网络计算并没有共享；

ROI Pooling应该使用更精确的对齐方式。

（a）传统的FCN做语义分割，对每个类别有一个score map；

（b）InstanceFCN 网络，对实例分割候选目标使用3*3的score map进行位置信息编码，后续使用专门的分类网络对分割候选框进行分类

（c）FCIS使用对内外位置信息敏感的score map同时得出mask 预测和类别分类。

……………………