Project: Human Points

目录

1. stacked Hourglass Networks 堆叠沙漏网络 (2016单人)
2. Cascaded Pyramid Network 级连金字塔网络（Top-Down） (2017多人)
3. Multi-Stage Pose Network（Top-Down）(2018多人)
4. 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。