论文：Deeply Learned Compositional Models for Human Pose Estimation

• 2018ECCV，Wei Tang, Pei Yu and Ying Wu

1.主要思想

目前基于传统CNN进行Pose检测，当存在重叠部分、附近人员干扰和杂乱背景造成歧义时，很容易导致检测错误，精度变差。

作者提出了一个有希望的方法是利用人体的组合性。它的意思是将一个整体表示为一个由部分和子部分组成的层次结构，这些部分和子部分满足一定的约束条件。这种层次结构使得模型能够捕捉部件之间的高阶关系。
基于这一原理，姿势估计分为两个阶段：自下而上的推理和自上而下的推理，在自底向上的阶段，高级部件的状态由其子部件的状态递归地预测。在自上而下的阶段，较低级别部分的状态由其父母的状态重新定义。

2.本文提出的DLCM的网络结构

Note： 具体算法细节没有去仔细研究了解。

3.实验结果

4.结论：

作者通过利用CNN来学习人体内复杂的组合模式来进行姿态估计，实验证明了该方法的有效性。