本次paper是coco2018关键点检测项目的亚军方案，方法非常的简洁明了，但是效果很惊艳，达到了state of the art，paper的标题也是写了simple baseline。整篇paper包含一个sota的姿态估计和姿态跟踪，本篇博客只涉及到paper里面的姿态估计部分。
人体姿态估计是MSCOCO数据集(http://cocodataset.org/)上面的一项比赛，人体关键点检测，目前主流的做法都是深度学习来做。本文的出发点：
作者认为目前的姿态估计方法都太过于复杂，并且有显著的差异，比如hourglass，open pose，cpn等等，比较这些工作的差异性，更多体现在系统层面而不是信息层面。
作者在本文提出了一个既精确（sota水平），又简单（网络结构非常简单，见下文）的姿态估计方法，作为一个baseline，希望能激发一些新的ideas和简化评估方式。
网络结构一句话就可以表达清楚，就是一个普通的backbone（用resnet50就很好）加一些转置卷积层（作为一个head network）。作者认为这可能是得到heatmaps的最简单方式，并且包含了从深到浅的特征。
先看图：
上图c是不是非常简单，论文的整个网络就是这样。三个网络最大的区别就是在head network（头部网络）是如何得到高分辨率的feature map的，前两个方法都是上采样得到heatmap，但是simple baseline的方法是使用deconv ，deconv相当于同时做了卷积和上采样。
看起来似乎是得到高分辨率的feature maps是很重要的，但是你是怎么获取的并不是那么的关键，不同的方法获取的都会有不错的效果。
看一下forward函数
就一个resnet50去掉全连接层，加3个deconv layers和一个1*1的卷积就完事了。Deconv layers全部都是一样的kernel=4，channels=256，最后加一个1*1的卷积，输出得到关键点的heatmaps，求一个最大响应值就可以得到最后坐标点了。
Loss的设计：就是普通L2 loss，只在最后的输出算loss，并没有中继监督。
消融实验对比：
作者从heatmaps的尺寸，deconv的卷积核尺寸，backbone结构，输入图像尺寸等4个方面分别作了对比：
结论是：heatmaps尺寸最好是64*48，三层deconv，kernel的size最好是4，backbone是越大越好，图像尺寸越大越好，但是后两者会极大增加计算量和显存。要做好精度和速度的平衡。
源码是Pytorch版本(https://github.com/Microsoft/human-pose-estimation.pytorch)，微软亚洲研究院官方出品，写的很好很通用，值得一读。
下面是各种效果对比图，训练几乎没有任何trick，网络里面也没有任何其他的骚操作，比如各种ohem，ohkm等等，也没有中继监督，相同条件下（主要是输入尺寸和bakcbone）效果都是领先水平。在backbone是resnet152和输入是384*288的条件下，各项指标都是排名第一，都是单模型对比的。
论文给出的simple baseline是真的很simple，效果真的好，但是其实没有很特别的创新地方，只是把deconv用在了姿态估计的网络里面。
就像论文里面的第二章节一个标题Pose Estimation Using A Deconvolution Head Network。整个网络就是一个普通backbone+一个使用deconv的head network。
[1]Simple Baselines for Human Pose Estimation and Tracking(https://arxiv.org/abs/1804.06208)
[2]https://github.com/Microsoft/human-pose-estimation.pytorch
