Single-Stage Multi-Person Pose Machines

昨天在arxiv上发现的一篇非常有意思的论文，特来记录一下，惯例发链接

自己实现的github

为什么文章叫Single-Stage，首先，针对多人pose这方面，主流的方法分为两类：

1. Top-Down solution。先用一个detector检测出来图像上的所有行人，然后针对每一个检测的出来的human box，做单人pose预测，总共需要2步
2. Bottom-Up solution。先用一个cnn检测出来图像上所有人的所有关键点，再通过一个聚类算法（或者其它方法）对这些点进行区分，将同一个人的点划分到一起，最后得到所有人的关键点，总共需要2步

以上的方法都是需要经过两个步骤才可以得到最终的multi-person pose，那么有没有一种方法可以一步到位？这就是论文提出的方法，一步到位，一次就可以得到多个人的pose点，所以叫做Single-Stage，具体看下图：

思路和之前anchor-free的Objects as Points很像，具体如下：

1. 定义一个中心点，这个中心点就是这个人的box的中心位置，论文里把它叫作root joint

2. root joint回归出来模型需要检测的某一个人的所有pose点的offset（