方法：
1.以w*h大小的彩色图像作为输入
2.经过VGG的前10层网络得到一个特征度F
3.网络分成两个循环分支，一个分支用于预测置信图S：关键点（人体关节），一个分支用于预测L：像素点在骨架中的走向（肢体）
4.第一个循环分支以特征图F作为输入，得到一组S1，L1
5.之后的分支分别以上一个分支的输出St-1,Lt-1和特征图F作为输入
6.网络最终输出S,L
7.损失函数计算S，L的预测值与groundtruth(S*,L*)之间的L2范数
S和L的groundtruth根据标注的2D点计算，如果某个关键点标注缺失则不计算该点
损失函数为每一层循环网络的损失函数之和
CMP：confidence maps for part
关键点检测：（关节）
1.通过图像中标注的2D点Xj,k计算S的groundtruth(S*)//其中Xj,k表示图片中第k个人的第j种关节
计算方法：Sj*符合正态分布，当像素点P接近注释点Xj,k时，达到正态曲线的峰值，则每张图像中第j种关节的S，为图像中k个人的正态分布峰值
PAF：part affiity fields
关节连接：（肢体）
1.通过第k个人的两个关建点Xj1,k，Xj2,k之间任意像素p的单位向量计算L的groundtruth（Lc*）//其中k表示第k个人，j1和j2表示两个能够相连的关节（例如手肘和手腕直间通过手臂相连），c表示第c种肢体
计算方法：计算图像中第k个人的关键点Xj1,k指向Xj2,k的单位向量Lc,k*(P)=v（v大小和方向固定）
其中像素P是否落在肢体上需要满足两个条件
每张图像中第c中肢体的Lc*，为k个人在位置p的向量平均值
评估两个关键点之间的相关性：
关键点dj1,dj2和PAF已知之后，计算两个关键点连线向量和两关键点连线上各像素的PAF向量之间的点积的积分作为两个关键点之间的相关性。
像素p进行采样：
多人检测：计算位姿骨架
例如图片中存在多个手肘和手腕时，如何确定每一个人的手腕和手肘并进行连接？即一张图像上存在n个手肘m个手腕(关键点)，手肘标签Dj1{dj1^1，dj1^2….，dj1^n}，手腕标签Dj2{dj2^1，dj2^2….，dj2^m}，手臂（手腕和手肘相连）集合Zc。
关键点和关键点之间的相关性PAF已知，将关键点作为图的顶点，将关键点之间的相关性PAF看为图的边权，则将多人检测问题转化为二分图匹配问题，并用匈牙利算法求得相连关键点最优匹配。
Dj1，Dj2是两种关节的集合，Zc是第c种肢体的集合，Emn是两种关键点之间的相关性，求最优的zc集合。
二分图匹配：
二分图：是图的一种特例，图中包含两个点群X、Y，同一个点群内无边，不同点群之间有边。
二分匹配：二分图上进行匹配，一个点群中的点只与另一个点群中的点进行唯一匹配，即任意两条边没有公共顶点
最大匹配：匹配边数最多
完美匹配：所有点都是匹配点
最大权重匹配：所有匹配边权重之和最大
求解最大匹配方法：匈牙利算法