人体姿势检测

人体姿势关键点估计目前有着很多方法，如CPM、DeeperCut、CMU OpenPose、 AlphaPose等
cpm模型：
Convolutional Pose Machines（CPM）是一种2D人体（手势）姿态估计算法。
输入是一张人体姿势图，输出n张热力图，代表n个关节的响应。
这篇论文的主要贡献在于使用顺序化的卷积架构来表达空间信息和纹理信息
顺序化的卷积架构表现在网络分为多个阶段，每一个阶段都有监督训练的部分。
前面的阶段使用原始图片作为输入，后面阶段使用之前阶段的特征图作为输入
主要是为了融合空间信息，纹理信息和中心约束。
可以看到核心是构建多个FCN网络来预测part/joint的heat maps并构成了cpm模型
在Stage1阶段：原始图片经过卷积层，得到初始响应图
Stage2阶段：输入也是原始图片，但是在卷积层的中段，加入一个串联的结构，用来融合三部分的信息：一是stage1的响应图，二是阶段性卷积结果，三是高斯模版生成的中心约束
Stage n阶段：输入的不再是原始图片，而是stage2的阶段性卷积结果，即中间层特征图
可以看到，在cpm中，网络有一个格外的输入： center map，center map为一个高斯响应。因为cpm处理的是单人pose的问题，
如果图片中有多人，那么center map可以告诉网络，目前要处理的那个人的位置。
因为这样的设置，cpm也可以自底向上地处理多人pose的问题。