链接：人体关键点检测与MMPose_哔哩哔哩_bilibili
赶了个进度，实际上没听到，一个方向被浓缩成50分钟是有点难度。后续有需要再回顾吧
人体姿态估计：识别人体关键点坐标。模式识别任务，难点是始终在变化。以关键点连线，2/3D中还原人体姿态。PoseC3D：基于人体姿态识别行为动作。CG动画追踪表情、手势姿态等。
- 人体姿态估计的介绍与运用
- 2D姿态估计
- 自顶向下
- 自底向上
- 单阶段
- 基于transformer
- 3D姿态估计
- 人体姿态估计的评估方法
- DensePose
- 人体参数化模型
一、2D姿态估计
1.1基于regression based
将关键点的检测变成一个回归问题
输入一张图像，输出一个回归的坐标，类似于boundingbox回归的感觉。但是精度不高。是监督学习。
1.2 Heatmap Based
不直接回归关键点坐标，量预测关键点任务变成每个位置的概率
表示关键点位于的概率为1，是热力图，尺寸与原图像相同或者按比例缩小，概率图啊。
类似于分类概率了吧。可以通过求极大值的方法得到关键点的坐标。
热力图相对回归坐标容易一些，模型精度也更高（讲着认为热力图识别关键点符合神经网络特性），但是热力图计算量也比较大。
1.3关键点热力图的标注
搜索
将每个点的概率，通过高斯核变成一个热力的概率图。
1.4使用热力图训练模型
输入图像->预测热力图
关键点->高斯模糊后的热力图
损失函数是1范式或者2范式
1.5 从热力图中还原关键点
- 朴素方法：求最大概率点。多个点不够鲁棒，另外讲着提到结果不是高斯的？
- 归一化概率，取其期望，即高斯重心
因为是网络是反向传播，模型可以求导，热力图是可以求导的，坐标也可以求导，从而指引热力图
1.6 自顶向下的方法（多人估计）
先检测人，然后做单肢体的估计
- 整体精度受限于检测器的精度，也就是第一环节的行人识别者确度影响随后的环节。也就是精度
- 速度和计算量与人数成正比。也就是速度。
- 多阶段模型
1.7 自底向上（多人估计）
先检测关键点，然后在组合成单个任务形态
1.8 单阶段（多人估计）
1.9 基于回归的自顶向下方法
DeepPose(2014)
通过级联提升精度 
所有预测类的网络都里能发现这种思路，多阶段变成单阶段，然后单网络变成级联网络。
回归方法的优势与劣势
优势：
- 回归精度无上限，但热力图受限特征图空间分辨率。
- 热力图计算需要在高分辨率特征图上，因此计算成本高。
劣势：
- 图像到关键点坐标映射是高度非线性的，更难收敛，精度也比热力图差。2D关键点预测大部分集中于基于热力图。
Residual Log-likelihood Estimation(RLE) (2021)
对关键点位置进行更准确的概率建模，从而提高位置预测的精度
高斯分布不一定符合数据的真实分布？？？使用均值比较，就是默认服从高斯分布，如果均值一致，服从的分布一致？？？这里的高斯核刚才讲到的热力图，通过高斯模糊是一个意思，点位置的高斯。
RLE主要是构建概率分布，然后通过最大似然。
回归和最大似然估计的联系。
这里揭示了为啥基于均值比较的二范数回归问题暗含高斯分布。固定方程和各向同性？？？
RLE是一个可学习的分布？？？
标准化流 Normalizing Flow
这个是什么意思呢？神经网络学习一个映射？将最初的概率分部映射成复杂的概率密度函数 ？
正向变换是求解映射函数？逆向映射就可以将复杂概率函数恢复成原始的概率分部。
实际上应该是复杂、都类型的分布以通用形式组合而来，类似于小波变换什么的。。。
重参数化设计
也就是将复杂的概率分部通过使用高斯分布去表示，这个是网络模型中常用的方案，在VAE等模型中也提到过。
残差似然函数
也就是在高斯分布x的基础上有一个x_0的概念，这个x_0就是残差似然
完整的RLE模型
残差似然 x 基础似然，通过均值和方差进行平移拉伸，得到最终的似然函数P
基于热力图的自顶向下的方法
网络模型少不了的几大内容都提到了，局部信息、全局信息、残差链接，最终的目的生成热力图
级联的hourglass模块
常规的级联套路，就是一级一级的裁剪、细化
simple Baseline
特征提取网络改成resnet了
HRNet
多分辨率网络结构的特征融合，实际上这种网络画起来这种形式反而不好看懂。
这里讲的更多的是融合策略，maxpooling，感觉这种网络结构比较复杂，鲁棒性可能更低，因为相对而言被过拟合了。
HRNet配合不同任务头
自底向上
Part Affinity Fields & OpenPose
先检测关键点，和四肢走向（四肢走向？），然后利用聚类，两个关键点有某段肢体相连，则关键点属于同一人。
关键点与肢体预测
预测全部肢体的方向场，关键点和对应向量，下一个点也能得到。
肢体定义的关键点亲和度
这里类似于不连续线段检测，如何将不连续的线段组合成一条长的连续线段。
基于亲和度匹配关键点
K部图？？？不是很懂，大意可能就是首先所有节点全连接，然后按照一定拓扑结合删掉某些链接
单阶段方法
SPM
structured pose representation(spr)
位置和不同的方向的回归
hierarchical SPR
降低由于形变带来的关节点距离差异变化导致的回归难度。
网络设计
回归策略
根节点+稠密位移图
损失函数
基于transformer的方法
PRTR2021
主要是全局信息吧
STN网络就很常见了，主要是应对多种变化的
TokenPose(2021)
每个关键点是一个token？？？是把位置信息作为关键点，和token组合了？那预测呢
文章来源地址https://www.toymoban.com/news/detail-470618.html
3D人体姿态估计
任务描述
感觉原理上和2D是一样的，难度就是代码上。
绝对坐标VS相对坐标
难点：从2D图像中回复3D信息
语义信息中包含刚性变换
视频帧之间的变换
单张图片
Coarse-to-fine
为每一个关节点预测一个64x64xd的3D热力图
Simple Baseline 3D
VideoPose3D
这个是不是就是利用时空信息
VoxelPose
评估指标
DensePose
mesh
文章来源：https://www.toymoban.com/news/detail-470618.html
到了这里，关于MMPose（openmmlab AI实战营二期第一节）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
