论文原地址：https://arxiv.org/pdf/1811.12004.pdf
原openpose分析
作者一开始就分析原openpose的网络算法，原openpose的backbone是VGG-19。原openpose的refinement stage有5个阶段。并且坐着把5个refinement stage的正确率测试了一下，发现从第一个refinement stage1之后，正确率没有提升多少，但是运算量就加大了。并且坐着还发现了refinement stage网络的关键点定位(heatmap)和关键点组合(pafs)两部分的两条分支运算，有不少操作是一样的，造成运算冗余。
所以，作者作了以下改进：
优化部分
①新的网络设计。作者通过分析，觉得第一个refinement stage1之后的其他refinement stage，正确率没有提升多少，运算量却加大了不少，所以只采用initial stage+refinement stage两个阶段网络。（此处，我觉得到refinement stage2阶段的性价比比较高，refinement stage1的正确率还是有点低，尽管运算量不大。但是refinement stage2再加了约19GFLOPs的同时正确率就提高了3%左右，性价比更好。）
②更换backbone。用MobileNet替换,并用dilated conv空洞卷积优化网络。并且进行了一系列对比实验，发现MoblieNet v1比MobileNet v2效果居然更好。
③refinement stage中的关键点定位(heatmap)和关键点组合(pafs)部分的网络权值共享，减少操作计算量。最后两个卷积层才分出两个分支分别用来预测关键点的定位(heatmap)和关键点组合(pafs)。
④原openpose的refinement stage中都是使用7x7的卷积核。作者却使用了三个连续的1x1, 3x3, 3x3的卷积核来代替7x7,并且最后的3x3是使用了空洞卷积, dilation=2。另外由于用3个卷积核代替原来的一个卷积核,网络层数变得很深,所以作者又加上了一个residual连接。
⑤作者分析了原openpose代码并删除了额外的内存分配，使用OpenCV的例程并行化了关键点提取，这大大加快了代码的速度。
优化对比
作者使用CPU Intel core i7-6850K实验，可以看出，在正确率下降不多的情况下速度却提高了很多，这对于人体姿态估计实时性的贡献还是很大的。
