实录|旷视研究院详解COCO2017人体姿态估计冠军论文（PPT 视频）(3)

介绍一下提出的网络结构。
首先，宏观地讲解一下网络的概括。
从人看关节点的过程获得启发，然后将这一启发运用到卷积神经网络里，先解决简单部分再解决难的部分。这是一个两阶段网络：全局网络和精炼网络。全局网络，主要是解好一些容易点；精炼网络，主要是定向解决更难的一些点。具体的实施方法用到了在线难关节点挖掘的算法。

这张图上，热力图可以体现出我们的网络设计原理，图上的绿点是关节点对应的ground truth。从图中左边的部分可以看出左眼作为相对容易的关节点，在前阶段的全局网络就可以解的很好。而右边的左臀部，作为相对较难的遮挡点，需要在后面的精炼网络里面才能识别出来。
再介绍一些网络设计和实验上的细节。
Top-down的框架是先检测人，人抠出来之后，再去做姿态估计。 所以有必要对person detection（行人监测器）做一定的分析。首先解释一下非最大值抑制。现在有两种主流的方式：软非最大值抑制（Soft NMS）和硬非最大值抑制（Hard NMS），软非最大值抑制是对所有的候选框去做重新的估分，对比较差的框保留但会抑制分数。硬非最大值抑制就是将IOU超过阈值之后的分数比较差的那些框过滤掉。所以两种方式最终实现的结果是Hard NMS保留的框比较少，而Soft NMS对框的分数做了一个修改，保留了较高的召回率（recall）。
我们在paper中有做过一组实验来比较这两种策略对keypoint准确率有什么影响。这张表就是反映了实验的结果。