Benchmarking and Error Diagnosis in Multi-Instance Pose Estimation

这篇文章不是介绍怎么设计网络去提高多人姿态检测在数据集上的mAP值，而是去找出姿态估计算法为啥得分这么低的原因，更直白的讲就是，这个模型效果不好，这个效果不好具体是哪些地方效果不好，文章探究的是这个更底层的原因，而不是简单粗暴的堆trick提高mAP。文章是2017年发表的，当时比较出名的两个多人人体姿态估计网络是Google的GRMI和CMU的OpenPose，文章就是根据这两个模型来查找原因。

首先先介绍下当前计算人体关键点mAP值的方法：OKS，具体信息可以参考这个链接。对于person $p$上的两个点的oks值在[0~1]之间，记作$ks({\hat{\theta }}_i^{(p)},{\theta }_j^p)$。文章提出了三个会造成误差的原因：Localization, scoring, background

Localization
分成4类，如图所示：

• Jitter， 0.5 < = k s ( θ ^ i ( p ) , θ i p ) < = 0.85 0.5<=ks(\hat{\theta}^{(p)}_{i}, \theta^{p}_{i})<=0.85