论文笔记：3D Human Pose Estimation with Spatial and Temporal Transformers

1. 题目：
   1. 3D Human Pose Estimation with Spatial and Temporal Transformers
   2. 利用时空Transformer去预测人体骨骼点的3D坐标
2. 采用的数据集：
   1. We evaluate our model on two commonly used 3D HPEdatasets, Human3.6M and MPI-INF-3DHP
3. 主体思想：
   1. 利用已经有的基于2D平面的坐标点（已知）去预测其3D坐标
   2. 输入输出形状
      1. 
      2. 上面是输入（batchsize,frame,17,2）81帧，17个关键点，维度是2
      3. 上面是输入（batchsize,1,17,2）预测1帧，17个关键点，维度是3
   3. 模型：
      1. 
      2. Baseline是左边这张图，文章所提出的模型是右边这张图
      3. Spatial and Temporal Transformers（时空transformer）
         1. Temporal Tranformer Baseline（时间transformer）
         2. 主要思想是传统的transformer模型，将每一帧的2D pose骨骼关键点作为输入的的token，经过embedding之后输入到Temporal Transformer 中，以此预测的3D骨骼关键点。
         3. Spatial and Temporal Transformers（时空transformer）
            1. 而作者提出的Spatial and Temporal Transformers是在原有的Temporal Transformer的情况下，将Encoder中的Embedding部分改为一个Spatical Transformer，将每一帧的17个骨骼关键点分开为17份，每一份作为一个Spatial Transformer的Token，生成一个Encoded Feature。如果一开始有9帧，每一帧都会生成一个feature，所以空间Transformer的输出就会有9个feature，作为Encoding的结果输入到下一步参与训练。
      4. 测试指标：
         1. Protocol1：MPJPE：
            1. Mean Per Joint Position Error即“平均（每）关节位置误差”
            2. 
         2. Protocol2：P-MPJPE
            1. 先经过旋转、对齐等变换再进行MPJPE
         3. 最后效果
            1. (Red: best; Blue: second best)

5. 其中需要的一些数据包需要自己下载，可以自己上网搜或者按照readme给出的链接下载。