Stacked Hourglass Networks for Human Pose Estimation

论文地址：https://arxiv.org/abs/1603.06937

代码：http://www-personal.umich.edu/~alnewell/pose/

（关于这篇论文，作者发布了v1和v2的两种版本，其中内容稍有不同，笔者重点看了v2版本，同时也参照了v1版本，但仍有部分细节不甚清楚，并且在研读过程中，感觉似乎v1和v2版本在某些细节上的介绍相互冲突。如有机会，研读代码后再继续完善本篇博客。以下内容主要参照v2版本论文）

CVPR2016年的一篇单人姿态估计论文，其精度在CPM(Convolutional Pose Machines)之上，采用串行网络结构，主要由Residual Module和Hourglass两个子模块融合组成，网络结构高度对称，整体网络结构如下：

上图中每一个沙漏模型代表一个Hourglass子网络，整体网络由多个Hourglass子网络串联而成，输入先经过一个7*7的stride为2的convolutional layer，然后经由一个Residual Module和max pooling，再送入Hourglass子网络。

对于每个Hourglass子网络，主要由Residual Module和max pooling组成。如下图：

每个box代表一个Residual Module。Residual Module结构如下左图：

如上右图，每个Hourglass的输出，通过两个1*1的convolutional layer转换维度，其中，第一个1*1的convolutional layer转换维度后使得输出的heatmaps的channels与intermediate features的channels相匹配，然后计算一个loss。最后，两者和Hourglass的输入加到一起作为下一个Hourglass的输入。

整体的网络思想就是downsample、upsample和stack，同时引入intermediate supervision，这点和CPM的思想是一样的。

最后再介绍一下单个Hourglass的组成，虽然Figure 3中已经给出，但具体细节光看图可能无法理解。根据作者论文的细节，结合Figure 3，笔者大致画出了如下一阶Hourglass网络结构（不包含loss）：

其中，将红色框用整体替换，则可以得到二阶、三阶等等Hourglass网络。

 

 

个人笔记，水平有限，欢迎指正。