CrowdPose：Efficient Crowded Scenes Pose Estimation and A New Benchmark
为解决传统 SPPE 处理密集姿态估计带来的偏差，CrowdPose 设计了 Joint Candidate SPPE 生成众多的候选关节点，然后通过 KM (Keypoint Match) 算法匹配行人实例和候选关节点
RMPE：Regional Multi-person Pose Estimation
RMPE 是一个二阶段的姿态估计模型，主要是通过对称空间变换网络 (SSTN)来提取高质量的单人区域，解决人体检测框质量不高的问题
MSSA：Multi-Scale Structure-Aware Network for Human Pose Estimation
MSSA 认为尺度和遮挡是影响人体姿态估计的关键，因此提出多尺度监督网络 (MSS-net)和多尺度回归网络 (MSR-net)提升网络对不同尺度人体的学习能力
OpenPose：Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
OpenPose 是一个 down-up 的多人姿态检测模型，一次性输出所有人的关节点 heatmap 预测，为了区分同一个人的关节点，模型同时输出关键点之间的亲和力PAFs，最终通过求二部图，得到预测结果
Pose Attention：Multi-Context Attention for Human Pose Estimation
Pose Attention 是一个基于 hourglass 改进的网络，主要创新是同时结合了整体注意力和肢体部分注意力，整体注意力针对的是整体人体的全局一致性，部分注意力针对不同身体部分的详细描述. 因此，能够处理从局部显著区域到全局语义空间的不同粒度内容，同时引入条件随机场(CRF)来进行空间相关建模，而不是使用全局Softmax
Hourglass：Stacked Hourglass Networks for Human Pose Estimation
Hourglass 认为识别脸和手是需要局部信息的，而整体的姿态识别需要整个身体的信息。因此，整合各种尺度的信息是必要的。采取重复的自底向上、自顶向下模块学习图片特征，相当于使用不同的感受野观察图片，结合中间监督，加速模型收敛
CPM：Convolutional Pose Machines
人体关节之间是存在一定的关系的，传统做法是使用马尔科夫模型构建他们之间的关联。CPM 没有使用该方法，而是使用卷积去提取关节之间的关系。主要思路是将网络结构分为多个 stage，其中第一个 stage 会产生初步的关键点的检测效果，接下来的几个 stage 均以前一个 stage 的预测输出和从原图提取的特征作为输入，最后使用多 satge 监督网络训练
OCRNet：Segmentation Transformer：Object-Contextual Representations for Semantic Segmentation
语义分割是对像素进行分类，而像素的类别标签是由它所在的目标的类别标签决定的，通常的上下文信息是基于像素之间的，OCRNet 根据类别数量，基于"自注意力机制"显式地增强来自同一物体的像素贡献
OCNet：Object Context Network for Scene Parsing
OCNet设计OCP模块，通过分块设计稀疏的空间注意力，减少构建注意力的性能损耗
CRNN： An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition
传统的文本识别方法需要先对单个文字进行切割，然后再对单个文字进行识别。CRNN直接从整张图出发，将图片特征输入RNN进行序列学习，最后通过CTC计算损失