姿态相关基础论文阅读

2D关键点检测模型： CPM < DeeperCut < CMU OpenPose

VGG16  

    VGG由5层卷积层、3层全连接层、softmax输出层构成，层与层之间使用max-pooling（最大化池）分开，所有隐层的激活单元都采用ReLU函数

 一、CPM

 stage1： 输入是原图，经过VGG提取图像卷积特征X，后接两个1×1卷积输出heatmaps（shape为h'×w'×（P+1）），P+1通道表示heatmaps上每个像素位置是P个关键点（关节）+1个背景的得分socre。

stage2： 输入包含三部分，（1）原图（2）stage1输出的heatmap（3）每个目标的中心约束map（见下图中的small center map）； 输出的是P+1通道的heatmaps。

stage3： 重复stage2 stage n.....：

二、CMU OpenPose (Part Affinity Fields )

    两条线，经过卷积网络提取特征，得到一组特征图，然后分成两个岔路，分别使用CNN网络提取Part Confidence Maps和Part Affinity Fields，得到这两个信息后，我们使用图论中的Bipartite Matching将同一个人的关节点连接起来得到最终的结果。

 PAF标签

 

三、DeeperCut（自顶向下）

      首先使用CNN提取body part candidates，每一个候选区域对应的是一个关节点， 每一个关节点作为图中的一个节点，所有的这些候选关节点组成代表的节点组成一副完整的图，正如上图dense graph所示。节点之间的关联性作为图中的节点之间的权重。这时，可以将其看作是一个优化问题，将属于同一个人的关节点（图中的节点）归为一类，每一个人作为一个单独的类。同时，另一条分支，需要对检测出来的节点进行标记，确定他们属于人体的哪一个部分。最后，使用分类的人结合标记的部分构成最终的每个人的姿态估计。