（HG模块，简洁明了）HourglassModule介绍

Hourglass模块设计的初衷就是为了捕捉每个尺度下的信息&＃xff0c;因为捕捉像脸&＃xff0c;手这些部分的时候需要局部的特征&＃xff0c;而最后对人体姿态进行预测的时候又需要整体的信息。为了捕获图片在多个尺度下的特征&＃xff0c;通常的做法是使用多个pipeline分别单独处理不同尺度下的信息&＃xff0c;然后再网络的后面部分再组合这些特征&＃xff0c;而作者使用的方法就是用带有skip layers的单个pipeline来保存每个尺度下的空间信息。

• Residual Module
• • 
• Hourglass Module
• • 
• • Hourglass Module由上面的Residual Module组成&＃xff0c;由于它是一个递归的结构&＃xff0c;所以可以定义一个阶数来表示递归的层数&＃xff0c;首先来看一下一阶的Hourglass Module&＃xff1a;
• • 上图中的Max pool代表下采样&＃xff0c;Res代表上面介绍的Residual Module&＃xff0c;Up Sample代表上采样。多阶的Hourglass Module就是将上图虚线框中的块递归地替换为一阶Hourglass Module&＃xff0c;由于作者在实验中使用的是4阶的Hourglass Moudle&＃xff0c;所以我们画出了4阶的Hourglass Module的示意图&＃xff1a;
• • 
• • 
• Intermediate Supervision&＃xff08;中间监督&＃xff09;
• • 作者在整个网络结构中堆叠了许多hourglass模块&＃xff0c;从而使得网络能够不断重复自底向上和自顶向下的过程&＃xff0c;作者提到采用这种结构的关键是要使用中间监督来对每一个hourglass模块进行预测&＃xff0c;即对中间的heatmaps计算损失。
• • 关于中间监督的位置&＃xff0c;作者在文中也进行了讨论。大多数高阶特征仅在较低的分辨率下出现&＃xff0c;除非在上采样最后。如果在网络进行上采样后进行监督&＃xff0c;则无法在更大的全局上下文中重新评估这些特征&＃xff1b;如果我们希望网络能够进行最佳的预测&＃xff0c;那么这些预测就不应该在一个局部范围内进行。
• • 由于hourglass模块整合了局部和全局的信息&＃xff0c;若想要网络在早期进行预测&＃xff0c;则需要它对图片有一个高层次的理解即使只是整个网络的一部分。最终&＃xff0c;作者将中间监督设计在如下图所示位置&＃xff1a;
• •