[人工智能]第二篇：关键点检测的两类方法及区别(短文)

关键点检测任务可以看成是一个标准的回归任务。具体来说目前主流的关键点回归就两种做法：

• 方法一：用全连接层直接回归坐标点，比如k个点同时检测，那就是2k个输出神经元。Human keypoints任务最开始应用CNN就是这种方法。该方法的优点是可以端到端训练，并且训练和推理的速度很快。缺点是极大损害空间泛化能力(下面会细说)。相比于方法二，方法一是一种更难学习的监督方式，网络需要自行将空间位置转换为坐标。
• 方法二：先生成高斯热图，再通过argmax找出坐标点。比如要回归17个关键点，那么预测输出特征图是Batch,H, W, 17)，即每个通道都是预测一个关节点的热图，然后对每个通道进行argmax即可得到整数型坐标。构造heatmap实际上是构造了一个中间状态，这个heatmap有如下优点：

创作打卡挑战赛

赢取流量/现金/CSDN周边激励大奖

了解本专栏 订阅专栏 解锁全文