论文阅读记录_[CVPR2016] Convolutional Pose Machine

[CVPR2016]Convolutional Pose Machine

1.特点

• 全卷积网络。
• 不需显式地构建关键点之间的上下文关系，通过增大网络感受野来让网络自主学习。
• 多阶段。随着网络的加深，感受野逐渐增大。因此早期的阶段着重关注局部特征，后期的阶段着重关注全局特征。
  

2.重要结论

• 感受野的大小对于关键点预测结果的影响。感受野越大，上下文关系越多，所以结果更准确。论文的输入尺寸是368 * 368，感受野能达到将近300，几乎可以获得全图的上下文信息。

  ​

• 不同类关键点之间可以相互增强，联合学习。简单的点可以帮助难点定位。
  

• 中间监督，解决网络加深而出现的梯度消失问题。