人体关键点识别常用网络结构有HRNet和SimpleBaseline；前者保持高分辨率特征流并多分支融合，后者基于ResNet加反卷积，均兼顾精度与部署性。
人体关键点识别常用网络结构有哪些
人体关键点识别（Pose Estimation）主流方案分两类：自顶向下（Top-down）和自底向上（Bottom-up）。前者先检测人，再对每个人做关键点回归；后者先检测所有关键点和关联关系，再聚类成个体。实际训练中，HRNet（High-Resolution Network）和SimpleBaseline（基于ResNet的反卷积结构）最常用，兼顾精度与部署友好性。
HRNet为什么适合关键点任务
传统CNN在下采样过程中不断降低分辨率，丢失空间细节，而关键点定位极度依赖像素级位置精度。HRNet从始至终保持高分辨率特征流，并通过并行多分支+反复交换信息的方式，让高分辨率特征持续获得语义丰富的上下文支持。
- 主干由多个stage组成，每个stage包含若干重复的“高→低→高”分辨率子网
- 分支间用conv+bn+relu做跨分辨率融合，不是简单上采样相加，而是学习性融合
- 最终输出是单一高分辨率热图（如64×48），每个通道对应一个关键点的置信度分布
训练时输入输出怎么设计
输入一般是固定尺寸图像（如256×192或384×288），经归一化后送入网络。输出不是坐标值，而是热图（Heatmap）——每个关键点对应一张二维高斯分布图，中心为真实关节点位置，标准差按关键点尺度自适应设置。
- 热图尺寸通常是输入的1/4（如输入384×288 → 输出96×72），平衡计算量与定位精度
- 损失函数常用MSE Loss，对预测热图与GT热图逐像素计算均方误差
- 推理时取每张热图的最大响应点，再用亚像素偏移（如quarter offset）微调坐标
实际训练要注意的关键细节
数据增强和标签生成比网络结构本身影响更大。关键点任务对几何变换敏感，需针对性处理：
立即学习“Python免费学习笔记（深入）”；
- 随机缩放、旋转（±45°以内）、裁剪要同步作用于图像和关节点坐标，坐标需按仿射变换矩阵重算
- 翻转增强必须同时左右交换关键点顺序（如left_shoulder ↔ right_shoulder），并水平翻转热图通道
- 关键点遮挡模拟（Random Occlusion）能提升鲁棒性，但遮挡区域对应热图应设为0，避免监督信号污染
- 使用COCO或MPII数据集时，注意不同数据集关键点定义不一致（COCO有17点，MPII有16点），加载时需映射对齐
基本上就这些。结构选HRNet或SimpleBaseline起步足够，重点把数据流、热图生成、增强逻辑理清楚，模型就能稳定收敛。
