(4) Human Pose Estimation : 隐式学习结构信息 CPM

这样避免显式的添加结构先验，导致模型复杂，泛化能力低。目前大部分方法基于大感受野：扩大池化，增加卷积核，累加卷积层。但是过大的池化会牺牲精度，如果通过反卷积还原精度会添加额外信息。不断累加卷积层代价是梯度消失。增大卷积核相当于增加参数量，增加计算量。

成熟的设计思路包括，顺序卷积结构和基于沙漏网络结构。

1、顺序卷积结构：卷积姿态机：CPM

      多阶段级联（cascaded）的深度网络，采用11x11大卷积核不断的累加卷积操作。

      采用了中间监督训练（Intermediate supervision），将各个阶段产生的heatmap和ground truth产生的误差累加起来作为总误差进行迭代，同时将梯度从各个网络的输出层反向传播，避免梯度消失。

 

参考：https://blog.csdn.net/mpsk07/article/details/79522809#1网络结构