Deformable part models基于传统视觉的目标检测模型
Motivation
DMP就是先检测整个人，再检测四肢，然后综合两者的信息去判断。
因为HOG特征提取比较死板，一定要是一个人，动作幅度改变不能太大（比如站立的人，就一种姿态），但是目标很可能存在多种形变。因此引出了parts models使用组件激励得分去修正root得分（整体得分）
流程
- 采用梯度直方图HOG来提取bbox内特征，然后用Lsvm去分类打分。
- 在1X分辨率的特征图上检测整个目标体的response1
- 在2x分辨率的特征图上用多个part models检测多个部件的response2.
- 最后把response2特征图和response1特征图进行特征融合（加权得到最终的特征图）上去确定最终的目标bbox
特点：
优势：速度快
缺点：性能一般，大量人力特征，不适应大幅度的旋转。
注意
在这篇传统视觉的文章中已经出现了NMS，PR曲线，ap等操作及指标
