前言
Stacked Hourglass Networks是2016年提出的一种用于单人人体姿态估计的网络，并取得了很好的效果。这里我们从网络结构以及一些实现细节简单分析下这个网络。
一、网络结构
1.1 网络整体结构
网络名字Stacked HourGlass（堆叠的沙漏）其实已经反应了网络的大致结构，由像沙漏一样的结构堆叠而成，每一个沙漏结构在文章称为Hourglass模块，hourglass模块之间还有一个中间监督层（Intermediate Supervision），用于衔接各个hourglass模块，通过这样的架构，不断重复进行自上而下，自下而上的推断机制，通过这种机制从而能够重新评估整张图像的初始估计和特征。
1.2 Hourglass模块
前面提到的hourglass模块如下图所示，其在论文中由4层组成，方格的大小表示特征的维度，每一个方格都表示一个残差块，大体逻辑是先降维然后通过残差块提取特征，再升维后进行特征融合。
由于其层级结构，所以在实现上采用了递归的方式。
残差块如下图所示。
1.3 中间监督层
上一个Hourglass的输出经过由残差块处理得到特征A，该特征经过两个分支，
- 一个分支经过1*1的卷积得到相同的维度特征作为下一个hourglass模块的输入。
- 另一个经过1_1的卷积输出得到中间层生成的heatmaps，可以和真实的标签计算loss，这些特征层再经过1_1的卷积输出和A相同的维度特征，然后也作为下一个hourglass模块的输入。
所以下一个hourglass模块的输入有三个，两个在上面提到，还有一个是输入到hourglass的特征。
为什么中间监督那么关键？
这是因为当通过每个Hourglass模块时，网络都将有机会在局部和全局上下文中处理特征，然后生成预测。 随后的Hourglass模块允许这些高级特征再次被处理，以进一步评估和重新评估更高阶空间关系。
二、实现细节
2.1 标签生成
假如有3个关键点，那真实的训练标签就有3张对应的HeatMap图。关键点由x,y坐标表示，那如何将其转换成训练用的HeatMap呢，采用高斯热力图，也就是越靠近关键点位置，其值越接近于1，越远越接近于0。
其中sigma用于控制高斯热力图的范围。越大形成的热力图范围越大。
2.2 结果解析
网络训练完成后，推理阶段输出的也是HeatMap图，那要得到关键点位置信息，就需要进行解析，其过程刚好和上面标签生成相反，即找出heatMap中最大值所在位置作为关键点位置。
- 效果
三、模型部署
3.1 模型转换
将训练好的模型转换为ONNX格式
3.2 模型推理
推理可以采用前面提到过的OpenCV的DNN模块，或者采用NCNN进行推理。
大体思路是获取最后一个hourglass模块的输出，然后解析出每一个HeatMap最大点的位置，这些位置再转换到原图即检测到的关键点位置。
