目前，姿态估计有两个主流的方法，自顶向下，先检测出数据中的人体检测框，再根据每个检测框识别人的姿态。与之对应的是自低向上的方法，即先检测数据中所有的骨骼点，再通过拼接得到多人的骨架。两种方法各有缺点，其中自顶向上的方法，姿态检测准确度非常依赖目标检测框的质量。而自低向上的方法，如果两人离得非常近，容易出现模棱两可的情况，而且由于是依赖两个骨骼点之间的关系，所以失去了对全局的信息获取。
Alphapose是多人姿态识别框架，属于自顶向下的方法，其主要解决两个问题，(1) 检测框不准，如图1所示；(2) 检测框重叠问题，如图2所示。
其中，红色框为真实框，其经过SPPE(Single Person Pose Estimation)后可以检测到骨骼点，黄色框为预测框，且其与真实框的IOU大于阈值(0.5)，为预测正确的检测框，但是其经过SPPE后并没有检测到骨骼点。且从图中可以看到，预测正确的框检测不到骨骼点主要有两个方面，(1) 该框所在区域并没有完全包括人体；(2) 该框中人体不是处于中心位置。
网络结构示意图如下所示：
其中，STN(spatial transformer network)空间变换网络，其特点就是可以对输入做各种形变(裁剪、平移等等)，可以在训练过程中自动寻找感兴趣区域，将输入转换成下一层期望的形式；SDTN(spatial detransformer network)空间逆变换网络，即与STN处理过程相反。
为了矫正检测框，该文在训练时，如下图所示，增加parallel SPPE模块，该模块与SPPE共享STN网络，训练时，固定parallel SPPE模块参数，将其输出的姿态直接与label相比较，计算损失，以调整STN的参数，以此达到修正检测框的目的。
对于检测重复框，该文使用pose nms来解决：
Pose Distance:
其中，公式(8)为计算姿态Pi与Pj的相似度，Bi为Pi的检测框，ci和cj分别是Pi和Pj的各骨骼点的置信度，当Pj中第n个骨骼点出现在Pi的第n个骨骼点所在框内，则使用双曲正切进行计算两骨骼点的相似度。
如下图所示[该图取自]，圆点表示Pi的骨骼点，三角形为Pj的骨骼点，红色框是以圆点为中心，大小是Bi的1/10，若此时三角形在红框内，则使用公式(8)计算两者的i相似度。
空间距离 用于衡量不同特征之间空间距离的相似度：
最终的距离公式：
当距离小于 η \eta η，则令f=1，表示Pi与Pj相似度较高，则删除Pi，保留Pj。
跟踪使用的是pose track，即使用ReID行人重识别检测得到detections，再与前一帧得到的tracks计算距离(余弦距离)，使用卡尔曼滤波计算前若干帧的人体运动信息的均值和方差，用以计算马氏距离，余弦距离和马氏距离结合来计算detections和tracks的相似度。具体的跟踪流程图如下所示：
注：Lost Tracks当小于阈值时，需要和Matched Tracks合并，经过卡尔曼滤波更新均值和方差【图中画的有点错误】。