出处：NIPS2017
核心内容：Single Stage 多人姿态估计
文章摘要：这篇文章，提出了一个与之前所有方法都不一样的新的姿态估计方法，也可以用于instance 分割，目标检测等。这个方法是自下而上的，在此之前比较有名的自下而上的姿态估计领域的文章，是“OpenPose”-CMU。
核心思想：先检测全图所有的关键点，如果是COCO数据集那么Heatmaps就有17+1个，如果是MPII那么又16+1个Heatmaps。本文在这些预测heatmaps额外还有个map 我们成为tag map，相当于是原图的每一个pixel对应到最后输出的 result maps，首先根据pixel的位置查询heatmaps输出哪一类，然后再根据tag map上的标志，得到属于哪一个人。
文章主要方法：
1、模型结构：
模型结构非常简单，几次基础卷积和降采样后，连接着4个hourgalss模型。蓝色和绿色的圈表示 深度监督 loss。
2、网络预测出heatmaps同时给出tag maps，作者尝试过tag的维度，从结果上来说，tag只需要1维就够了，更高的维度并没有带来更有效的提升。
Stacked Hourglass Architecture：
作者没有直接使用原始的hourglass，主要对hourglass的内部结构中不同层的channel数量做了改变
3、Multiperson Pose Estimation：
首先，heatmap一如既往采用2D高斯，多人，就变成多高斯，这部分loss一如既往采用欧式loss，MSELoss。tag这部分将每个检测到的合格的joint，也就是heatmap上对应pixel的值最高的那个类别joint，进行分组成group，每个group代表一个人。这里的tag没有具体的标签值，而且再计算group loss的时候，tag采用的是groundtruth所对应的pixel位置的tag。
group loss最基本的思想就是，同一个group 内的所有tag 要一样，不同group 之间的tag要不同。但是，从现实上来说，一样是不会的，只能是相近，相近的概念通过欧式距离来实现。tag map也相当于是一个embedding。；
上面这个公式用于生成，每个人（group）的tag标签，n表示第n个人，k表示第k个关节，x表示真是关节所在pixel location，hk表示“预测到的tag值”。通过这种方式，我们得到了每个人的tag标签，无所谓具体的值是多少，只要统一每一个关键点的tag值就行了。
因此，也就得到了这个loss，一个典型的基于欧式距离的loss。
上图中，右侧可以清晰的看到，每一个人的不同关键点的tag值被规范到了一定范围内。从头和躯干，一个一个的连接，每个人的关键点，利用非极大值抑制。最终得到每一个人。
这种方式，也可以很好的引用到instance 的分割中。