以下链接是个人关于HR-Net(人体姿态估算) 所有见解，如有错误欢迎大家指出，我会第一时间纠正。有兴趣的朋友可以加微信：17575010159 相互讨论技术。若是帮助到了你什么，一定要记得点赞！因为这是对我最大的鼓励。 文末附带 \color{blue}{文末附带} 文末附带 公众号 − \color{blue}{公众号 -} 公众号− 海量资源。 \color{blue}{ 海量资源}。 海量资源。
姿态估计1-00：HR-Net(人体姿态估算)-目录-史上最新无死角讲解
本论文名为： Deep High-Resolution Representation Learning for Human Pose Estimation (CVPR 2019) 话不多说，本人接着上篇博客继续翻译。
4. Experiments 4.1. COCO Keypoint DetectionDataset： COCO数据集包含了200000张图像，其中包含了250000个标注了人体关键的实例。模型的训练使用的是 COCO train2017 数据集，其中包含了 57K 图片，以及 150K person 实例。在 val2017 以及 test-dev2017 数据集上对我们的模型进行了评估，其分别包含了 5K， 20K图像。
Evaluation metric： 标准的量化评估是基于 Object Keypoint Similarity (OKS):计算公式如下： O K S = ∑ i e x p ( − d i 2 / 2 s 2 k i 2 ) δ ( v i > 0 ) ∑ i δ ( v i > 0 ) OKS=\frac{\sum_iexp(-d_i^2/2s^2k_i^2)δ(v_i>0)}{\sum_iδ(v_i>0)} OKS=∑iδ(vi>0)∑iexp(−di2/2s2ki2)δ(vi>0)
这里的 d i d_i di 是 predict keypoint 和 ground truth 的欧式距离， v i v_i vi 是表示 ground truth 是否可见的标志。 s s s 是目标缩放的比例， k i k_i ki是一个控制衰减的每个关键点常数.我们报告了实验结果的平均精度和召回率：AP at OKS =0.50)AP75、AP(10位AP得分平均值，OKS = 0.50, 0.55，…,0.90,0.95;APM表示中型对象，APL表示大型对象，而AR表示OKS =0.50, 0.55，…,0.90,0.955。
Training： 我们将人体检测盒的高度或宽度扩展到固定的长宽比:高度:宽度= 4:3，然后从图像中裁剪box，然后固定到尺寸256×192或者384×288。数据增加包括随机旋转([[45◦，45◦])，随机缩放([0.65, 1.35]), 和翻转。以及半体数据的增加也被涉及。 我们使用了 Adam 优化器，基础学习率设置为1e-3，在迭代170个 epochs 以及 200 个 epoch 进行10倍的学习率衰减。训练过程在210个epochs 内结束
Testing： 使用2个阶段的方式 - 使用person检测器检测person实例，然后预测检测关键点。对于验证集和测试开发集，我们使SimpleBaseline2提供的person检测器。 使用普遍的方式，我们计算了原图，和水平反转图估算出来 heatmap 的平均值。每个关键点的位置，都是通过调整最高热值来进行判断的。
**Results on the validation set: ** 我们报告了我们的方法，以及目前最先进方法的对比结果，如下图： 
我们测试的小网络 HRNet-W32，是基于输入图像为256x192进行训练的，其达到了73.4 A 的分值，超过了其他所有使用相同大小当作输入的算法,…
阅读到这里之后，基本都是一些实验对比的结果了，有兴趣的朋友直接阅读论文把，因为没有太多特别的地方了/
