基于深度学习关键点检测算法综述

    关键点检测是计算机视觉中比较重要的任务之一，当前主流的算法可总结如下：

    1、基于coordinate 

        即将卷积神经网络(CNN)的特征通过一个全连接层来回归关键点的坐标和对应的置信度信息，在对卷积

特征的利用上，逐渐由单层特征到金字塔特征转换，有代表性的算法为人脸关键点检测的PFLD算法，全称为：

《PFLD:A Practical Facial Landmark Detector》

     2、基于heatmap

        顾名思义，其核心思想是将输出的特征层利用卷积来得到各个关键点的置信度，即，每个通道代表了某个

关键点在输入图片上各个位置的置信度，随后在每个通道上取置信度最大值和对应位置即可；heatmap的生成

方式较多样，如使用高斯分布将距离关键点中心远的位置设置低点，呈现出辐射状。

    3、基于heatmap + offset

        该方法与2中所述方法相似，仅在回归时加入了坐标偏移量，使用这一方式可以将网络输出特征图下采样至

更小尺度，比较典型的算法为《Towards Accurate Multi-person Pose Estimation in the Wild》，其在设计

ground truth时，使用了多对一的方式，即将某一点作为中心点，半径R范围内的点用来回归该点。

 

  上述方法主要介绍了关键点检测的一些发展放向，当下关键点检测与目标框检测的任务融合是一种主流发展方

向。