参考这两篇：
https://blog.csdn.net/joshua_1988/article/details/54618232
https://www.cnblogs.com/bobxxxl/archive/2018/07/17/9326304.html
网络框架
论文采用top-down的结构，分为两个阶段:
第一阶段使用faster rcnn做detection，检测出图片中的多个人，并对bounding box进行image crop；
第二阶段采用fully convolutional resnet对每一个bonding box中的人物预测dense heatmap和offset;
最后通过heatmap和offset的融合得到关键点的精确定位。
具体细节
Person Box Detection
人物bbox检测的faster rcnn的backbone是inception-Resnet，先在COCO的80个类别数据集上进行训练，再在只有person的bounding box上进行fine tune。
Person Pose Estimation
采用分类和回归的方法，得到关节点的heatmap和坐标offset。
Heatmap for classification：对于每一个空间点，先判断它是否在关节点的附近，生成K通道的heatmap，K是关节点的个数。
Offset for regression：对每一个空间点再预测一个2D的坐标来表示关节点的位置。将heatmap和offset做一个融合得到精确关节点位置。
Image cropping
对于每一个bounding box做裁剪的时候保持人体的纵横比，最终得到的crop image是353*257pixel，纵横比保持1.37，对于宽和高不是该比例的，扩大较短边。
Heatmap & offset fusion
输入是heatmap（K channel，每一个关键点一个channel）和offset（2*K channel，每一个关键点两个channel，分别是x和y坐标），输出是3*K个channel。
关于融合，对于每一个关节点和每一个空间位置，计算该位置是关节点的概率，这样生成K个关键点，之后将这个问题转换为一个二分类问题。另一方面，预测每一个位置与标准位置的距离，将其转换为一个2D回归问题。这样就将融合分成了二分类和2D回归两个问题。
效果
论文中声称其准确度要高于Mask RCNN，增加数据集会获得更好效果，mAP达到64.9%。