HEMlets Pose: Learning Part-Centric Heatmap Triplets for Accurate 3D Human Pose Estimation，ICCV 2019

摘要：提出部件-中心-热图 三元组，构建空间体积，再用积分的方式实现端到端训练。

介绍：三个挑战（1）从图像推到3D pose的歧义性问题（2）针对回归问题，已有的方法，没有很好的平衡，人体表示与学习效率的关系（3）室外场景训练数据匮乏。

本文的提出的部件-中心热图三元组，将人体部件周围的体积空间极化，每个部件有两个关节点连接。其实，就是简单的一个2D heatmap的一张热图变成三张热图。

方法：

1. HEMlets

一个关节点的一张热图变三张热图，代表前后次序

2. 2D loss, 一般2D pose estimation的方法

3.soft-argmax 从三维空间中或获取坐标，再用L2

实验部分：

 

个人总结：

1.从方法上看并没有什么新颖的地方，结果上看效果很显著

2.可能的原因是：（1）做了数据增广 （2）可用2D 数据集训练，导致2D pose作为输入的准确性更高

3.pose的空间表示，更加soft,有可能用到了关节点之间的方向信息。