关键点检测的heatmap介绍

开始学关键点检测的时候，到处找找不到heatmap的解释。现在大概有些懂了，干脆自己写一个。部分转载。

关键点定位任务两种做法：heatmap和fully connected回归（Heapmap-based和Regression-Based）

heatmap得到一张类似热力图的东西，回归直接得到关键点坐标。

从定位的原理上看
Heatmap和Regression两种方法差异是很大的：

• Heatmap方法实际上是在空间维度上做特征匹配，是卷积核在特征图平面上“滑动”，更多地关注和利用的是局部信息，而定位实际上是特征匹配的“副产品”，是我们通过求响应最大点索引（Argmax）的方式获得的，相对来说，每一个关键点的计算是独立的。（可理解为拿一个卷积核去挨个算，看每一个局部是否符合关键点的特征，计算出的响应越大，越有可能是关键点）
• Regression方法则不同，所有的关键点计算是同时完成的，共享了同一份特征信息。（可理解为把所有特征信息输入一个全连接层，直接计算出坐标。）

heatmap（热图），如下图，可以理解成热感图。越是符合标准的位置，颜色越亮。

这里给出一种热图上像素点的计算方法：
假设真实坐标点 / 标注是 $\mu =({\mu }_x$