SimpleHumanPose代码及原理分析（四）-- 算法原理总结

SimpleHumanPose代码及原理分析（四）-- 算法原理总结

在之前，对SimpleHumanPose算法的代码进行了解析：
SimpleHumanPose代码及原理分析（一）-- coco keypoints数据集
SimpleHumanPose代码及原理分析（二）-- data与label前处理
SimpleHumanPose代码及原理分析（三）-- loss损失函数
这篇blog对SimpleHumanPose算法进行一个总结和归纳~~

一、backbone网络结构

上图就是SimpleHumanPose的网络结构~可以看到，其实backbone很简单，就是单纯的high-to-low resolution网络从高分辨输入中获得低分辨特征图，然后再从低分辨特征图上恢复高分辨率特征图。这里，在进行high-to-low阶段中，backbone为resnet，图片从256的shape一直进行下卷积到16。在low-to-high阶段中，通过上卷积（SimpleHumanPose的核心，并没有沿用其他传统模型的上采样）恢复feature map的shape为64。

二、heatmap生成

针对于label的处理，采用的是高斯热力图的方法。
举个栗子~
比如说，label中有一个点的坐标为（32,32），而SimpleHumanPose生成的heatmap的shape为64 * 64的，所以说这个点可以看作是中心点。


大致的图片基于上图所示。

三、loss函数

进行loss计算的两条线分别为：
第一条线：（256,256）的data经过网络输出得到（64,64）
第二条线：label生成的（64,64）热力图
采用loss就是针对这64*64=4096个点分别进行L2损失函数（即均方差函数）