论文链接：Stacked Hourglass Networks for Human Pose Estimation
时间：2016.3 ECCV2016
作者团队：Alejandro Newell, Kaiyu Yang, and Jia Deng
分类：计算机视觉–人体关键点检测–2D top-down
目录：
1.Hourglass背景
2.Hourglass算法流程
3.Hourglass结果评估
4.Hourglass网络架构图
5.引用
1.主要在于学习记录，如有侵权，私聊我修改
2.水平有限，不足之处感谢指出
1.Hourglass背景
对于姿态估计这种关联型任务，全身不同的关节点，并不是在相同的feature map上具有最好的识别精度。hourglass网络架构有效地利用了图像多个尺度的空间信息，可以很好地应用于人体关键点检测和人脸关键点检测等任务，主要贡献在于利用多尺度特征，充分考虑多个关键点间的相互关系来识别姿态。
#####2.Hourglass算法流程
- Res Block模块
通过一个卷积层，卷积核大小为7*7，slide为2，pad为3，输出层数为128。再经过一个残差层ResLayer，输出通道为256。
2.hourglass_modules模块
进入hourglass网络，每一个hourglass模块的结构图如下：
hourglass模块的输出再经过1 * 1的卷积层后，结果作为当前stack的热图输出。在两个漏斗网络之间，还要对热图进行进一步的处理，分别是：1.对上一个漏斗网络中的输出通过一个卷积层；2.对上一个漏斗网络的热图通过一个卷积层。最后这两个结果和前一个漏斗的输入合并，作为下一个漏斗网络的输入。漏斗间的处理结构图如下：
hourglass模块具有对称的结构，从中间依次扩展到两边，可以看做是小漏斗变成大漏斗，程序中用递归的方式实现这个模块。整个module是一个down-up（降采样）+top-down（上采样）的对称过程，上采样方法采用的是最近邻采样。图中的每个小块都可以看作是经过Residual模块和池化或反池化后的结果，前半部分的特征图会加到后半部分对称的位置。
在low2中便是递归hourglass模块，某些ResLayer可能存在不一样，具体见Hourglass网络架构图。
多个Hourglass级联起来，再加上中间监督进行训练。
损失函数使用均方误差（Mean Squared Error,MSE）来比较预测的heatmap与ground truth的heatmap（在节点中心周围使用2D高斯分布，标准差为1）
3.Hourglass总结
本文的设计基于模块到子网络再到完整网络的思想。一阶hourglass网络就是简单的残差连接，上半路在原尺度进行，下半路先经历下采样再进行上采样。对于二阶hourglass网络，就是在一阶的基础上将一阶网络嵌套进来。之后的高阶hourglass就是一层一层嵌套，特点：
- 使用模块进行网络设计
- 先降采样，再升采样的全卷积结构
- 跳级结构辅助升采样
- 中继监督训练
- 整个hourglass不改变特征的尺度，只改变特征的深度。
4.Hourglass网络架构图
