论文原文：https://arxiv.org/pdf/1603.06937.pdf 作者信息：Alejandro Newell, Kaiyu Yang, and Jia Deng 项目地址：https://github.com/princeton-vl/pose-hg-train 博客参考：https://blog.csdn.net/JerryZhang__/article/details/98308729
网络特点：堆叠的沙漏结构（多分辨率） + 中继监督
多分辨率的优势：
One consideration is that for many failure cases a refinement of position within a local window would not offer much improvement since error cases often consist of either occluded or misattributed limbs. For both situations, any further evaluation at a local scale will not improve the prediction.
向上采样方式：插值算法，反卷积算法等。本文采用最邻近插值，然后结合底层的 feature maps 实现。
此处的中继监督和CPM网络的中继监督是类似的，都是产生 predcitions 之后再次连接回主网络中。仔细想一下的话，两者的结构也是类似的，都是分级结构，但是具体实现的方式不同。
结果
如何验证：对正常图像和翻转的图像进行估计之后取平均值（AlphaPose也是如此
常用能够提升预测的准确率）
堆叠结构（级联结构）的有效性？
若有收获，就点个赞吧
0 人点赞
