Graph-PCNN: Two Stage Human PoseEstimation with Graph Pose Refinement论文笔记

一.图卷积神经网络和姿态估计

关于GNN,GCN建议看下面的视频，非常容易明白：

简单粗暴带你快速理解GNN_哔哩哔哩_bilibili简单通俗的带你理解GNN的原理以及GNN能够做的工作。专业性较低，通俗性较高。之后如果有需要，可以做一期GCN图卷积神经网络的视频。谢谢大家。https://www.bilibili.com/video/BV1Tf4y1i7Go?spm_id_from=333.999.0.0带你快速理解R-GCN（relational-GCN）_哔哩哔哩_bilibili欢迎关注我的知乎账号：深度revealer论文：《Modeling Relational Data with Graph Convolutional Networks》 主要是带大家快速理解一下R-GCN，这样再看论文的话就会事半功倍。并且也大概介绍了一下GCN的一些基本task，希望对大家能有所帮助。谢谢大家！！！https://www.bilibili.com/video/BV1kh41117ts?spm_id_from=333.999.0.0通过上面视频可以得到一个非常非常重要的结论：

GNN得到的是每个节点的feature，本质上就是一个特征提取的过程！！！！

人体的不同关节点连接可以看成一个图，这是我们将图卷积运用在姿态估计中的本质，要得到的是人的每个关节点的feature，这样就能估计出人体的姿态

二.model

论文中的符号说明：

:偏移回归结果

：第k个gt关键点的坐标

：第k个heatmap的所有引导点坐标

：细化的分类结果

：细化得到的坐标

：引导点在对应heatmap上的置信度得分

：通过精细化处理后得到的keypoint的坐标

 三种不同的引导点

 使用图神经网络得到每个关节点的特征值

公式如下：

 可以看出这是使用平均的思想，并没有考虑到节点各自的度，感觉与GNN思想类似

三.问题

论文中没有给出代码，这里有一些没有看懂的地方，文中说一共有k个关节点，每个关节点采样N个引导点，这样可以构建N个pose graph  for N × K guided features ，这句话没理解，这里每个pose graph 的节点值到底是怎么选的呢，选的是哪个引导点呢？