1. 人体姿态估计简介

• 多人姿态估计框架包括5个方面：
  • paradigm：范式
    • top-down：
      • 用于人数不多于6人的场景
      • 使用现成的检测器提供边界框，然后将人体裁剪为统一的尺度进行姿势估计
      • 人体检测器和位姿估计器可输入较小的分辨率
    • bottom-up：
      • 自下而上的范式被认为适合人群场景，因为随着人数的增加，计算成本保持稳定；
      • 通常需要较大的输入分辨率来处理不同的人的尺度，这使得协调准确性和推理速度变得具有挑战性
  • backbone network：骨干网络
  • localization method：定位算法
    • 坐标回归（coordinate regression）
    • 热图回归（heatmap regression）
    • 坐标分类（coordinate classification）
      • 子像素箱分类（将关键点预测看作为分别针对水平和垂直坐标的子像素箱的分类）
      • 代表算法：SimCC
      • 摆脱了对高分辨率热图的依赖，因此可以实现非常紧凑的架构，既不需要高分辨率中间表示，也不需要昂贵的上采样层
      • 展平最终的特征图进行分类，不需要全局池化，从而避免了空间信息的丢失
      • 通过亚像素尺度的坐标分类可以有效缓解量化误差，无需额外的优化后处理
  • training strategy：训练策略
  • deployment：部署推理

2. RTMPose

2.1 网络结构

• GAU：Gated Attention Unit （门控注意力单元）
• RTMPose的整体架构包含:
  • 骨干网络
  • 一个卷积层
  • 一个全连接层
  • 一个用于细化K个关键点表示的门控注意力单元
  • 将二维姿态估计视为x轴和y轴坐标的两个分类任务，以预测关键点的水平和垂直位置

2.2 基于SimCC的优化路线

2.2.1 SimCC：

• 核心思想：将水平轴和垂直轴划分为等宽编号的 bin，并将连续坐标离散化为整数 bin 标签。 然后训练模型来预测关键点所在的 bin。 通过使用大量的 bin，可以将量化误差降低到子像素级别。
• 结构简单：由于这种新颖的公式，SimCC 具有非常简单的结构，使用 1 × 1 卷积层将主干提取的特征转换为矢量化关键点表示，并使用两个全连接层分别执行分类
• 平滑策略：受传统分类任务中标签平滑的启发[53]，SimCC提出了一种高斯标签平滑策略，用以ground-truth bin为中心的高斯分布式软标签代替one-hot标签，该策略在模型训练中融合了归纳偏差，带来了 关于显着的性能改进。

2.2.2 RTMPose

• 基于SimCC，做了以下改进 （SimCC*）
  • 删除了上采样层
  • 使用CSPNext-m 替换 ResNet-50