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
什么是 CPM ？
- 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
CPM 的网络结构？
- 从第二个 stage 开始，其输入包括两部分，前一 stage 的输出+原图重新提取的特征，上图红框、蓝框分别是第 1、2 个 satge 的原图提取的特征
- 随着 stage 的堆叠，其感受野越来越大，可以从整体上感知关节之间的关系
CPM 的多 stage 的作用？
- 容易检测的关节点可以为难以检测的关节点提供有用信息. (shouler, neck, head) 关节点，对于 (right elbow) 后续 stages 的 belief maps 来说，有助于消除其错误的估计(red)，并提升其正确估计(green)
CPM 的多 stage 监督？
- CPM 每个 stage 都会输出关节点的预测结果，重复地输出每个关节点位置的 belief maps，以渐进精细化的方式估计关节点. 故，在每个 stage 输出后均计算 loss，作为中间监督 loss，避免梯度消失问题
- 上图黑线是增加多 stage 监督的梯度，红线是没有多 stage 监督的梯度，可以看出没有多 stage 监督的网络，在 Layer12 就出现梯度消失，而多 stage 监督没有此现象
参考：