一、这是大佬们的一篇文章，算是比较早的利用CNN预测heatmap来做姿态估计的文章，上传时间2015年。
二、这篇文章的核心思想：
1、pooling层能为网络增强一些“局部不变性”、“旋转不变性”之类的能力，也能降低参数等种种优点的同时对于回归heatmap的任务却会带来location的精度损失。因此提出了一种新的结构，用于弥补pooling的负效应，“position refinement”。这种结构有点像RCNN的二级结构。
2、当然一个贡献是不够的，因此文章中的另一个大贡献是“SpatialDropout”
3、多分辨率输入，这个的话，看到结构图应该就很好理解，在图像分类中也有这么做的
三、先来说说什么是“SpatialDropout”与“Multi-resolution”
图3是标准的dropout，正如我们所知dropout有着很多优点：通过每次随机抑制部分神经元，防止过拟合；有点类似多模型融合从而在测试时候能够提升模型效果；
图3，可以看出在进行反向传播的时候，W2的中心位置的梯度只能收到一个f2a的，f2b被抑制为0了，但是因为传统的分类任务中，我们不关注空间点与点之间的关联性，我们只关注核心特征是什么无所谓在哪里，而且我们把相邻的输出近似当作差不多相等的。
但是放眼图像的空间回归问题中，这么做存在两个问题：1、我们关注某个特征的location问题，点与点之间存在很强的关联，性，继续这样做无法回归出准确的位置，因为我们抑制了部分的梯度。2、作者在文章中说了，最开始确实擦用了这种dropout但是除了增加训练时间，没有其他收益。
从而提出了“SpatialDropout”：
其实就是正对整个channel而言的dropout，而不是在2d的feature map上去随机抑制，采用了去抑制整个feature map。至于效果“We have found this modified dropout imple- mentation improves performance, especially on the FLIC dataset, where the training set size is small.”（这里特别注意where the training set size is small，不知道在大数据集上这个操作如何了）。
这个结构放在哪里呢？如下结构图，这个图也同时展示了“多分辨率输入”
这个结构一目了然，不过多解释了，有问题可以留言哈。
四、新的网路结构（级联结构）
“三” 里面的最后的那个网络结构图，只是第一部分，也是比较朴素的回归方式，接下来这个图是本文模型结构：
第一部分的“Corase Heat-Map Model”就是“三”结尾那个图，很好理解。利用Corase Heat-Map预测每个关键点的大概位置，然后去剪裁（直接在不同层的feature map上剪裁---这里是不是很类似于目标检测中的FPN？），每个关键点都重复这个操作，这个子模型一次只预测一个heatmap，运行“关键点个数”次，就能得到每个关键点在小图中的预测位置，然后结合上原始的“Corase Heat-Map”的预测就是最终结果。
子模型（Siamese Model）：子模型就是一个网络，每次都要把子模型运行n次（n就是关键点个数），这也就是文章中所说的”子模型共享权重“的意思，因为毕竟这些子模型的任务都是去利用经过筛选的feature maps的区域去预测一个最高响应，所以无所谓具体去预测什么关节了（也就是类别），类别信息在”Corase HeatMap Model“预测结果中已经包含了。
当然这个“级联结构的模型”是可以端到端的训练的，作者在文章中也解释了，对于来自sub network的梯度只要对应到crop的来源那部分去就可以了“output gradients from the cropped image are simply added to the output gradients of the convolution stages in the coarse heat-map model at the sampled pixel locations.”
但是作者在4.2章讲训练的时候好像是分开训练的，也就是先训练Coarse model然后固定这部分的参数，去练后fine model。
五、其他内容和训练细节，非常牛逼的细节
作者提到了，其实标注是不规范的，也是存在歧义的，主要表现为关键点的标注很难具体的说到底在哪个点？如下图所示是作者们自己进行的实验，请了13个人对数据集中随机的10章图像进行标记：
接下来，不得不说大佬就是大佬，用这个标注数据去计算了标准差，对于每个关节就能产生自己的sigma了！！！解决了我一直不知道sigma怎么设置这回事！
大佬利用“Coarse Model”建立在8x pooling基础上进行实验发现：误差基本在-4像素到+4像素之间，这么以来人工标注的误差和数据集本身的误差基本上是吻合的。（给大佬跪了） 这个图说明了“单纯使用Coarse Model”会放大误差范围，“提出的级联模型”确实更加贴近人类的真是误差。
对于pooling会带来精度损失的实验：
图中x坐标代表了距离在多少阈值内这个关节点算正确找到，可以明显的看出距离越大（条件越宽松）结果越好，从结果上看4x和8x的pooling结果上差不多，4x略好些，16x最差。（估计是这个原因，所以很多后来的图像工作中分割任务和pose estimation都采用的 8x 或者 4x）。这个图的实验是直接在“Coarse model”上的。
“级联模型”针对pooling带来的负效应，对于“Coarse Model”带来了显著的提升，腕关节属于困难检测点，因为通常存在很多变数，穿衣服，遮挡，需要更多的骨架结构信息作为支撑，这样话“Coarse Model”的预测结果会更加不可靠，同时，对于子模型而言也比较困难直接从crop的部分来预测“腕关节”：
文章还对比，crop的源来自feature map和 image，以及是否使用spatialDropout：
当然对于“Coarse Model”作者也和前人的工作进行了比较，结果依然是本文的工作拥有最好的效果：
文章同时也对比，是否进行尺度归一化，以及在训练和测试阶段什么时候进行尺度归一化，这里尺度归一化代表了利用MPII数据集提供的人物尺度进行规范化，可以保证每个人物出现在网络输入中的大小差不多，可以发现还是有很大的影响的。in standard evaluation practice the query image is scale normalized so that the average person height is con- stant, thus making the detection task easier