[paper] Hourglass

Stacked Hourglass Networks for Human Pose Estimation

Abstract

Hourglass Net是一个进行人体位姿估计的卷积神经网络（也可以用在人脸关键点检测等领域）。它结合了身体上的空间关系和多种尺寸上得到特征。作者采用了将多个Hourglass模块堆叠的方法，并且将中继监督运用进来，这些对于提高网络性能至关重要。这个方法在当时可以在FLIC数据集和MPII上达到state-of-art的效果。

网络结构：

Introduction

准确的人体关键点对于理解视频和图片中的人物状态是至关重要的。Hourglass网络和通常的卷积方法一样，最终可以产生像素级别的结果（Hourglass的结果是N个关键点的heatmap图，）。每个hourglass 模块会pool down到一个非常小的尺寸，然后再上采样（上采样的同时加上pool down时相同尺寸的feature map）。

Related Work

人体位姿估计主要有几个方法：

1. 直接对x, y坐标进行回归
2. 对原始图片进行多个尺度处理，然后得到最终结果

作者的网络建立在上述方法的基础上，探究了如何捕获多个尺度的信息，并且如何对不同的尺寸的特征进行整合。

对各种前人的网络介绍中，提及到Tompson et al. 使用级联（cascade）网络进行预测，并解释说级联网络的优点是减少内存使用的同时提高最终的效果。

网络结构

Bottleneck 模块

整个网络的输入是256*256，首先做一个7*7的卷积，然后做了1个Bottleneck, 在做了1个max_pooling, 之后做了2个BottleNeck，此时的尺寸是64*64

作者在论文中说，将输入从256*256降低到64*64，这样做主要是因为256*256需要消耗大量的GPU资源。缩小尺寸没有影响网络的预测。

我认为，使用bottlen