文献阅读 (CV)Camera Distance-aware Top-down Approach for 3D Multi-person Pose

动机：为什么作者想要解决这个问题？

• 尽管3D人体姿态估计取得了进步，但以前的大多数方法只处理单人情况

贡献：作者在这篇论文中完成了什么工作(创新点)？

• 多人姿态估计
• 能够得到以相机为中心人体关键点的绝对坐标，看这篇论文的原因
• 自上而下方法

规划：他们如何完成工作？

• 系统架构

  1）DetectNet
     裁剪提取出人体边框。
  2）RootNet (重点)
     RootNet利用裁剪后的人体图像，定位人体的根$\mathbf{R}=\left(x_R,y_R,Z_R\right)$,其中$x_R$ 和 $y_R$是像素坐标(不知道这个像素坐标和下面的有什么区别)，$Z_R$ 是绝对深度值。
  3）PoseNet
     从裁剪的人体图像中估计与根相关的 3D 姿态，${\mathbf{P}}_j^{rel}=\left(x_j,y_j,Z_j^{rel}\right)$，$x_j$和$y_j$是裁剪图像空间中的像素坐标， $Z_j^{\text{rel }}$是人体root的相对深度值。$Z_j^{rel}$ 加 $Z_R$得到$Z_j^{abs}$，然后将$x_j$ 和 $y_j$转换到原始输入图像空间。最后通过简单的反投影得到最终的绝对3D 位姿。

理由：通过什么实验验证它们的工作结果

• 误差度量指标

     有两种评估指标被广泛使用。第一个是平均每个关节位置误差 (MPJPE) [1]，它是在将估计的人体root与ground truth 3D 姿势对齐后计算的。第二个是进一步对齐后的 MPJPE（即 Procrustes 分析 (PA) [2]）,被称为 PA MPJPE。为了评估绝对 3D 人类根的定位，引入了root $\mathbf{R}$ 的估计坐标与 ground truth ${\mathbf{R}}^{\ast }$ 之间的欧几里得距离的平均值，即根位置误差 (MRPE) 的平均值，作为一个新的度量：
  $$MRPE=\frac{1}{N}\sum _{i=1}^N{\Vert {\mathbf{R}}^{(i)}-{\mathbf{R}}^{(i)\ast }\Vert }_2,$$
     其中上标 i 是样本索引，N 表示测试样本的总数。

自己的看法

• 最终实现效果

  思考这种图怎么画出来的？？？
  

参考文献

[1] Human3.6m: Large scale datasets and predictive methods for 3d human sensing in natural environments.
[2] Generalized procrustes analysis