RePose: Learning Deep Kinematic Priors for Fast Human Pose Estimation

单人pose模型文章，提出了一种基于kinematic structure来辅助模型对关键点进行定位，整体结构如下：
模型是一个仿U-Net结构的网络结构，忽略U-Net的底部，先看下输出，模型会在不同的scale下进行upsample到原图分辨率大小进行heatmap输出，所以是个包含有多个loss的网络结构，重点看下上图中的绿色部分，也即是文章提出的Kinematic Features Updates结构。

Kinematic Features Updates

这个结构相当于是根据先验知识对人体姿态进行建模，然后进行refine的一个过程。文章对关节点连接做了一个定义，如下图所示：
其中每两个连通点之间的线段称之为边，关节点为node，然后对于关节点k来说，它的周围连通点组成的集合为$N(k)$:
然后对关节点进行更新，根据前面定义好的顺序，关节点k对应的features $f_k$更新方式为：
$c_k$是将features concate起来，$h_k$是kernel size 为1， stride为1，output channels为32的卷积，$g_k$连续四个kernel size为3，stride为1，output channel为32的卷积操作。${\lambda }_k$是类似resnet shortcut连接的一个可学习权重参数。

kinematic features update相当于根据先验知识，将关键点之间的联系考虑进来，从而能够帮助网络学习到准确的关键点位置信息。