论文解读-Stacked Hourglass Networks for Human Pose Estimation

---

在上一篇文章中，笔者解释了对OpenPose人体关键点检测算法的思考，它是一种“bottom-to-up”的人体姿态估计算法。为了对人体姿态估计这个方向有更加深刻的认识，笔者查阅了2018年的三大顶会(CVPR/ICCV/ECCV)的文章，发现很多新的论文都是基于“Stacked Hourglass Networks”所做的改进，于是笔者认真阅读了这篇经典文章，有了一些自己的理解，故这里记录下来。

1 动机

对于人体姿态估计任务，也即检测人体的骨骼关键点，显然需要获取图像的local 细节信息，但是对于下面这张图，由于梅球王的右腿膝盖位置被遮挡了，导致局部细节信息丢失，这个时候怎么办呢？考虑人眼的视觉系统，我们是基于身体其它部位推断出右腿膝盖位置的，从理论角度来讲，是基于被遮挡点的全局上下文信息（global context），推断当前被遮挡点的位置的。

因此，应对人体姿态估计任务，需要同时利用局部信息和全局信息。

2 网络结构

浅层特征对应了图像的局部信息，深层特征对应了图像的全局信息。为了获取不同尺度的特征信息，借鉴目标检测任务的思路，有两种常用的做法，图像金字塔和特征金字塔。论文中采用了特征金字塔的方式，将浅层和深层特征做融合，来预测人体关键点。

2.1 单一沙漏模块

单个沙漏模块的网络结构如下图，

大家看该网络的结构，第一印象是不是感觉很美呢？因为整个网络结构是对称的，输入