CPM简介

2D关键点检测之CPM：Convolutional Pose Machines

Joint-CNN-MRF 方法将热力图方法应用于姿态估计任务后，越来越多的单人姿态估计网络使用基于热力图检测的方法实现关键点的概率可视化。CPM（Wei 等，2016）将输入数据分成不同阶段进行处理，如图2所示。首先使用特征函数处理 上一阶段的热力图以获得特征图，再将特征图作为 输入，重复进行热力图和损失值计算，实现对热力图 的充分利用以及中间监督。然后利用关键点中蕴含的上下文信息对难以检测（如遮挡）的关键点检测提供线索，最终实现对关键点更精确的估计。跨阶段 结 构 卷 积 姿 态 机（cross-stage convolutional pose machines，CSCPM）（杨兴明 等，2019）对 CPM 进行改 进，在CPM使用的多阶段顺序预测框架中引入跨阶段结构，改进了 CPM在遮挡、复杂背景下检测结果较差的问题，精确率较CPM取得了一定的提升。

注意：

（1）其实如果看OpenPose论文，提出了一个2D的单张图片的多人姿态估计，(现在都出3D的姿态估计了)，后面主要采用了PAF的方法以及组合数学中的K分图匹配方法，就很优雅的解决了CPM中的多人肢干连接的问题。

针对的还是bottom-up的方式，采用PAF(Part Affinity Fieilds)来进行自下而上的人体姿态估计。首先借鉴的CPM的方法，检测出人关键点的位置，比如图片上人体右肩膀的位置，得到检测结果是通过预测人体关键点的heatmap，这样就可以看到每个人体关键点上都有一个高斯的峰值，代表网络预测出这里是一个人体的关键点，同样对其他所有人的关键点进行同样的结果，得到这个检测结果，在得到检测结果之后，对关键点加测结果进行连接。在进行连接的时候，主要采用的就是PAF(一堆数学问题)。

（2）从CPM到CSCPM的过程，其实也和HRNet思想的提出有点类似。

（3）从CPM到OpenPose，OpenPose也借鉴了CPM的一部分思想。

参考：

OpenPose模型的理解-CSDN博客