目录

Abstract 

Approach

Sequential multi-resolution subnetworks.

Repeated multi-scale fusion.

---

Abstract 

我们从高分辨率子网络(high-resolution subnetwork)作为第一阶段开始，逐步增加高分辨率到低分辨率的子网，形成更多的阶段，并将多分辨率子网并行连接。我们进行了多次多尺度融合multi-scale fusions，使得每一个高分辨率到低分辨率的表征都从其他并行表示中反复接收信息，从而得到丰富的高分辨率表征。因此，预测的关键点热图可能更准确，在空间上也更精确。

Approach

Sequential multi-resolution subnetworks.

    现有的姿态估计网络是将高分辨率到低分辨率的子网络串联起来，每个子网络形成一个阶段，由一系列卷积组成，相邻子网络之间存在一个下采样层，将分辨率减半。

我们从高分辨率子网作为第一阶段，逐步添加高到低分辨率子网，形成新的阶段，并行连接多分辨率子网。因

此，后期并行子网的分辨率包括前一阶段的分辨率和一个额外的较低的分辨率。

Repeated multi-scale fusion.

   我们跨并行子网引入交换单元exchange units，使每个子网重复接收来自其他并行子网的信息。下面是一个展示信息交换方案的示例。我们将第三阶段{N31; N32; N33}划分为若干(3)个交换块，每个块由三个并行卷积单元组成，并在其后与一个交换单元跨并行单元进行卷积，得到:（N3:的3交换块结构）

 其中C^b_sr表示s阶段并行子网中第b个交换块r分辨率的卷积单元，E^b_s表示相应的交换单元;

输入为s个响应图：{X_1 , X_2 , . . . , X_s }，输出为s个响应图：{Y_1 , Y_2 , . . . , Y_s } ，其分辨率和宽度与输入相同。每个输出都是输入映射的集合Yk=sum(a(Xi, k), i=1:s)。跨阶段的交换单元有额外的输出图Ys+1=a(Ys, s+1)。

        函数a(X_i, k)从分辨率i到k对上采样或下采样组成。我们采用有跨步的3×3卷积做下采样。例如，用单个有跨步的3×3卷积使用2步长做2x下采样。两个连续的有跨步3×3的卷积使用2步长做4倍下采样。对于上采样，我们采用最简单的最近邻抽样，在调整通道的数量的1×1卷积之后。如果i = k，则a(.,.)只是一个恒等连接：a(Xi, k)=Xi。