【论文阅读】Semi-Dynamic Hypergraph Neural Network for 3D Pose Estimation，IJCAI-20

一、摘要：同时利用人体树形结构和链式结构创建超图，进而使用超图卷积进行三维人体姿态估计。

二、简介：基于图像的三维人体姿态估计需要大量标注信息和计算资源，基于2D pose的直接回归方法缺乏图像线索；近年基于图卷积GCN的方法仅考虑相邻关节点的信息，但人体的链式结构使得非相邻关节点也有重要信息。因此，用超图重新表示人体。

贡献点：

（1）将人体表示为超图，包括固定关节点关系的静态超图和根据输入2D pos调整的半动态超图。

（2）提出依据关节点之间距离大小，进行人体超图的构建方式。

（3）实验结果在Human3.6M和MPI-INF-3DHP上有提升效果。

三、方法

1.超图卷积，论文中有公式，不再赘述。

2.人体动态超图的构建方式：

（1）计算16*16的关节点距离矩阵和权重矩阵，距离越远权重越大，构成矩阵R

（2）排序（此处不是很理解是对什么排序），取R中前Emax个关节点构成超边

（3）对每条超边，取R中每一行，前Mmax个值对应的点作为该超边的点。

四、实验结果

（1）Human3.6M

martinez	62.9	GT	45.5
zhao	60.8	GT	43.8
ous	56.2	GT	42.7

 

(2)MPI-INF-3DHP

个人总结：

（1）首先尝试是用超图来进行三维人体姿态估计，值得肯定；但是，人体本身就是一个树形结构罢了，真的有必要吗？

（2）半动态的超图构建方式是否合理？为什么距离越远权重越大？手腕的位置和脚踝有啥关系？

（3）实验结果真的很一般