轻量级关键点检测SimpleandLightweightHumanPoEstimation
为什么要研究轻量级关键点检测？
⼀⽅⾯是⼤型⽹络耗时占内存、需要较⾼计算算⼒的平台，另外⼀⽅⾯，有很多简单的关键点检测任务，不需要⼤型⽹络来拟合，⼤型⽹络反⽽容易过拟合；师说的翻译
Simple and Lightweight Human Po Estimation
⾸先，我们来先解释下什么是bottleneck block
bottleneck block
A BottleNeck block is very similar to a BasicBlock. All it does is u a 1x1 convolution to reduce the channels of the input before performing the expensive 3x3 convolution, then using another 1x1 to project it back into the original shape.九寨沟旅游最佳时间
The bottleneck architecture is ud in very deep networks due to computational considerations.
qq邮箱怎么登陆
感觉bottlencek也是⼀种降参数量的⽅式，当特征图深度很深的时候，先将其降维，卷积后再扩展到之前的维度。（个⼈的理解，这跟depth-wi parabel的作⽤有些类似，但是很不理解的时，那为什么要卷积出这么⾼的维度呢，不⽤这么⾼维不就好了）
冯衍回归正题，本⽂讲的是轻量级的⼈体关键点检测，本⽂设计了⼀个轻量级的bottleneck block，主要采⽤了depth-wi conv和attention 机制，同时提出了⼀个迭代的训练策略和B-soft-Argmax函数。本算法在i7的CPU上可以达到17FPS。作者认为bottleneck block可以减⼩模型⼤⼩和计算量，同时性能不
会有太⼤损失。⼈体关键点检测的⽹络很依赖预训练的模型，但是由于模型结构的改变，那些通⽤的已经训练好的模型⽹络参数⽆法得到应⽤，如果能在ImageNet数据集上先训练⼀个模型需要花费⼤量时间，所以作者想到了⼀个迭代的训练策略，周期性地改变学习率，这种训练策略可以⽐预训练的模型取得更好的效果，此外，我们观察到所有现存的模型都是⽤argmax去获得heatmaps当中最⼤值的位置，以此计算最终坐标，我们提出⼀个新的处理函数叫做B-soft-argmax使得其更连续且获得更准确的结果。最终实验是跟SimpleBaline对⽐，结果表明在模型⼤⼤减⼩的同时，性能只下降了⼀点点。
高考励志语录在相关⼯作中，作者提到了Hourglass、Mask RCNN，其中Cascade Pyramid Network 获得了Coco数据集2017关键点检测的冠
军，SimpleBaline采⽤了deep backbone network 和deconv layers，在简单的⽹络上也取得了较好的性能，HRNet在上下采样的过程中也保持了⾼分辨率的预测。
模型⽅法
灯光模拟考试
bottleneck block是resNet⾥⾯的⼀种残差模块，是resNet50，resNet101，resNet152的基本组成部分，也是simpleBaline的基本组成部分，如上图所⽰，bottleneck block有三层卷积层和⼀个短线连接，输⼊通道数为M，输出通道数为N，在resNet中
N=M expand,expand=4，整体的参数量就是11N M+33M M+11M N=（4+9+4）M M=17M M，那么本⽂所作的修改就是将普通的卷积改成depth-wi卷积，同时将expand=1，这样参数量就⼤⼤下降了，就变成11N M+33M+11M N=2M M+33M，其降低的倍数⼤约为
申请强制执行2/17。与此同时，我们还提出⼀个global contect(GC) block，是⼀种long-range dependencies（我也不太明⽩啥意思），可以有效提升⽹络性能⼜不会太增加⽹络的计算量，GC block被证明对⼩⽹络⾮常友好。
实验训练
1.在coco数据集上（25万张图⽚，17个⼈体关键点）进⾏实验，以AP为衡量标准，初始化参数采⽤均值为0，sigma=0.001的随机初始化，优化器为Adam，batch=32，初始学习率在1e-3，然后再地90、120epoch的时候进⾏修改，输⼊图⽚裁剪压缩到固定⼤⼩
运营管理
256*192，
