baolinq的博客

 前言人体姿态估计是MSCOCO数据集(http://cocodataset.org/)上面的一项比赛，人体关键点检测，目前主流的做法都是深度学习来做。可以分为两个大的方向：（1）top-down方向：自顶向下的方法，目前的主流，像cpn，hourglass，cpm，alpha pose等都是top-down。主要分为两个阶段，行人检测和单人姿态估计，行人检测对后面的单人姿态估计影响很大...

  本次paper是coco2018关键点检测项目的亚军方案，方法非常的简洁明了，但是效果很惊艳，达到了state of the art，paper的标题也是写了simple baseline。整篇paper包含一个sota的姿态估计和姿态跟踪，本篇博客只涉及到paper里面的姿态估计部分。 前言 人体姿态估计是MSCOCO数据集(http://cocodataset.org/)上面的一...

1.前言这篇文章是ECCV2016的论文，Jia Deng组的工作，是top-down算法，非常经典，当时也是在各种公开数据集上霸榜。在FLIC和MPII上都是第一名（在当时），是sota算法。现在很多关于姿态估计的论文都有参考SHN或者会拿他作对比，可以说是比较典型的姿态估计算法。2. 网络结构SHN网络名字起的很不错，级联的沙漏网络，顾名思义，沙漏网络就表示该网络具有高度对称...

一、COCO数据集http://cocodataset.org/训练集和验证集数据整体概况最多标注全身的17个关键点，平均一幅图像2个人，最多有13个人每个人体关键点个数的分布情况，其中11-15这个范围的人体是最多的，有接近70000人，6-10其次，超过40000人，后面依次为16-17,2-5,1.K(BLOHKM) = (20000*13 +9*4...