论文阅读：《Convolutional Pose Machines》CVPR 2016

概述

本文使用CNN进行人体姿态估计，它的主要贡献在于使用顺序化的卷积架构来表达空间信息和纹理信息。顺序化的卷积架构表现在网络分为多个阶段，每一个阶段都有监督训练的部分。前面的阶段使用原始图片作为输入，后面阶段使用之前阶段的特征图作为输入，主要是为了融合空间信息，纹理信息和中心约束。另外，对同一个卷积架构同时使用多个尺度处理输入的特征和响应，既能保证精度，又考虑了各部件之间的远近距离关系。

网络结构以及流程

算法流程：

1. 计算各个尺度下，各部件的相应图
2. 对于每一个部件，累加所有尺度的相应图，得到总的响应图
3. 在各部件的总响应图下，找到相应的最大点，即为该部件的位置所在

网络结构：

这是检测半身部件的顺序化卷积架构，其部件一共是9个（不包括背景）。绿色的ori部分是原始输入图片，绿色的center map部分是一个高斯函数模版，用于将响应归一到中心部分。白色的convs是相同的卷积架构部分。蓝色的score部分是经过卷积层的相应图，即空间信息。橙色的concat部分是串联结构，用于融合卷积层的中间结果，上一阶段的响应图以及高斯模版生成的中心约束。

具体的各个阶段的构造如下：

Stage1：原始图片经过卷积层，得到初始响应图。卷积层的结构如下：

即7层卷积，3层池化层，原始输入图片是368*368，经过3次池化得到46*46大小。又因为是半身结构，只有9个关节点，加上背景1，因此输出的响应图大小是46*46*10。

Stage2：输入也是原始图片，但是在卷积层的中段，加入一个串联的结构，用来融合三部分的信息——一是stage1的响应图，二是阶段性卷积结果，三是高斯模版生成的中心约束。这里比较巧妙的是，串联后的结果尺度不变，深度变为10+32+1 = 43。

Stage3：输入的不再是原始图片，而是stage2的阶段性卷积结果，即中间层特征图。之后的结构和stage2是一样。至于stage4也和stage3结构一样。

训练细节

1. 数据增强：对原始图片进行随机缩放，旋转，镜像
2. 标定：在每个关节点的位置放置一个高斯响应，来构造响应图的真值。对于含有多个人的图像，生成两种真值响应，一是在每个人的相应关节位置，放置高斯响应。二是只在标定的人的相应关节位置，放置高斯响应。
3. 中继监督，多个loss：如果直接对整个网络进行梯度下降，则输出层在经过多层反向传播会大幅度的减小，解决方法就是在每个阶段都输出一个loss，可保证底层参数正常更新。

开源实现

https://github.com/shihenw/convolutional-pose-machines-release（caffe版本）
https://github.com/psycharo/cpm （tensorflow版本，但是只有用pre-trained model做predict，没有training）

Reference：http://blog.csdn.net/shenxiaolu1984/article/details/51094959