目录
- stacked Hourglass Networks 堆叠沙漏网络 (2016单人)
- Cascaded Pyramid Network 级连金字塔网络(Top-Down) (2017多人)
- Multi-Stage Pose Network(Top-Down)(2018多人)
- 论文阅读:MSPN
一. stacked Hourglass Networks 堆叠沙漏网络 (2016-单人)
1.概述
目前,基于stacked Hourglass Model的各种变种算法,牢牢占据了姿态检测的半壁江山,所以,非常有必要搞清楚stacked hourglass model
2.优点
SHM的主要贡献在于利用多尺度特征来识别姿态。以前估计姿态的网络结构,大多只使用最后一层的卷积特征,这样会造成信息的丢失。事实上,对于姿态估计这种关联型任务,全身不同的关节点,并不是在相同的feature map上具有最好的识别精度。举例来说,胳膊可能在第3层的feature map上容易识别,而头部在第5层上更容易识别,见下图。所以,需要设计一种可以同时使用多个feature map的网络结构。