Deep High-Resolution Representation Learning for Human Pose Estimation

网络结构图：

就图上分析：（纠正错误，就是stage1不包含2个3*3卷积核，stride=2）

stem net:包含两个3*3的卷积，stride=2

stage_1网络结构：

4个residual unit，每一个residual unit都是与resnet_50中的bottneck相同，如下图的右边的那个，一共有4个右边那个bottneck。其中channel是64.

为了将最后输出的featuremap channel变成hrnet32，或者48中的32 or48 需要后面接一个3*3卷积。

stage_2网络结构：

1）由4个exchange blocks组成，其中每一个exchange blocks是由2个3*3convolution（就是stage1中的左图）组成和一个across resolution 的exchange unit单元组成。

      其中循环stage_2模块1次。

2）两个分支。

3）实现 并行多分辨率fusion是在最后一个exchange blocks的输出上实现fusion。

stage_3网络结构：

1）由4个exchange blocks组成，其中每一个exchange blocks是由2个3*3convolution（就是stage1中的左图）组成和一个across resolution 的exchange unit单元组成。

      其中循环stage_3模块4次。

2）3个分支，高分辨率的feature map channel是低分辨率的倍数关系，比如三分支的channel分别是32,64,128后者64,128,256。

3）实现 并行多分辨率fusion是在最后一个exchange blocks的输出上实现fusion。

四阶段同理。