人体姿态估计_CVPR2020_heatmap新思考

---

目前在人体姿态估计任务中，广泛采用heatmap作为训练目标，heatmap的编码和解码都遵从固定范式，却从未被深入探究。
不同于大量对网络结构的创新，CVPR 2020 中出现了两篇文章对heatmap提出了新的理解，并引入了无偏的编码/解码方式。这也揭示了一个全新的研究方向。

---

一、回顾heatmap的传统编解码方式

heatmap是keypoints的概率分布图，通常建模成围绕每个keypoint的高斯分布的叠加。

编码(encoding)：原始图像 --> ground truth heatmap
解码(decoding)：predicted heatmap --> 原始图像中的keypoint坐标

受限于计算开销，原始图像通常需要进行下采样，再输入网络中；预测出来的heatmap中的坐标信息也需要恢复到原始图像尺度。在这个过程中，就引入了sub-pixel的系统量化误差。

传统的编码过程包括：

1. 下采样
   $${\mathbf{g}}^{\prime }=\left(u^{\prime },v^{\prime }\right)=\frac{\mathbf{g}}{\lambda }=\left(\frac{u}{\lambda },\frac{v}{\lambda }\right)$$
2. 量化
   $${\mathbf{g}}^{\prime \prime }=\left(u^{\prime \prime },v^{\prime \prime }\right)=\text{ quantise }\left({\mathbf{g}}^{\prime }\right)=\text{ quantise }\left(\frac{u}{\lambda },\frac{v}{\lambda }\right)$$
3. 高斯分布生成
   G ( x , y ; g ′ ′ ) = 1 2 π σ 2 exp ⁡ ( − ( x − u ′