FastHand

FastHand: Fast Hand Pose Estimation From A Monocular Camera

论文地址

数据集：

Dataset	Usage	Des	image resolution	Joints	Images
Yotube2D	Training	Real-world	256 × 256	21	47125
GANeratedHands	Training	Synthetic	256 × 256	21	141449
STB	Test	Real-world	640 × 480	21	6000
RHD	Test	Synthetic	320 × 320	21	2727

• 网络部分

Top-to-Down方式，先用mobilenetv2-SSD检测，之后使用指数平均进行跟踪，最后使用heatmap估计函数进行姿态估计

网络部分未用特殊操作，上图 \((b)\) 下采样直接使用并行的conv+pooling（在所有阶段使用），上图 \((c)\) 上采样直接resize（等于双线性插值，在encoder部分使用），decoder部分的上采样使用三次deconvolution

• 跟踪部分

滑动平均的方式改成指数平均

\[P_{cur} = \sum_{k=0}^{n}{P_{k} \times \frac{e^{-k}}{\sum_{j=0}^{n}{e^{-j}}}} \]

\(P_{k}\) 当前bbox的位置，这里怎么编码怎么来（\(c_x\ c_y\ w\ h\) 或 \(\ x_{min}\ y_{min}\ x_{max}\ y_{max}\)），\(n\) 表示加权平均的数量。

• 比较结果

不清楚作者有没有把 \(NSRM-Net\) 等网络使用youtube2D+GANeratedHands进行训练，如果直接按照原始论文进行比较结果无意义，公认的STB数据集太简单很容易过拟合，RHD数据集和实际数据差别有点大，Onehand数据数量较少（实际使用有点不干净）。

• 个人观点
• 当前关键点估计网络基本都会使用hourglass结构
• 按照下图划分，其实作者就是使用了两层hourglass

• 关于作者给出的上\下采用具体有没有效果，论文未给数据对比。

  • 比如yolov5使用的focus结构下采样
  • 比如pixelshuffle的上采样
  • 等等

• 作者说思路和media-pipe比较类似，个人感觉google的创新主要在于使用heatmap进行弱监督