一、实验
一篇引入关节点信息的论文，要点（abstrat中作者提到）：
- 端到端的模型，lstm，没有经过先提取关节特征这种步骤；
- 不同于独立的学习关节点特征(human-joint features)，这篇文章引入的pose-attention机制通过不同语义相关的关节点(semantically-related human joints)分享attention参数，然后将这些通过human-part pooling层联合起（这一点不是很懂，暂时理解为把关节点特征又联合为部分特征，再合起来成为图片特征）；
- 测试集中不需要关节特征的标注，这个方法同时可以粗略的形成关节点标注。
总架构图，输入首先是由TSN双流提取的特征，这里叫做Conv Feature Cube
特征图大小为K1*K2，t代表时间（帧），空间图是K1xK2的大小，共dc个通道。所以Ct是K1xk2个dc维的向量。可以看到这里的特征还是带有位置的不同，方便后面对应不同关节点。
Pose-Attention模块
图中可以看到定义了13个关节点，又分为了5个Parts，Parts和Joints的对应就是人为定义的，因为是lstm结构，输入是图片特征和ht-1。
右上角标为J表示每个关节点不同，P表示每个Part不同，这里有一些参数共享，得到的就是每个关节点在不同位置的权重
之后进行归一化，得到attention值
这一步根据 part 和 joint 的对应关系，把关节点的特征合并为 part 的特征，F是human-part-related feature。
再把每个部分经过PartPool层合在一起，得到整张图片的特征，St是pose-related feature。这里的PartPool层对比了max，mean，concat三种，结果是concat效果最好。
得到的St输入lstm中。loss分为两个部分，从loss理解为什么测试集不需要标注更容易一些
第一部分
交叉熵来对最终分类结果的one hot求loss。
第二部分
α是attention得到的关节位置，M是标注（文章中说的是在关节点处采用高斯分布，形成对应的热点图，具体实现没有看）。总之可以理解为通过标注形成一张图片关节点位置的热点图，和生成的关节点attention求loss。
二、数据集和实验结果
数据集用了两个较小的带有关节点标注的数据集，Sub-JHMDB and PennAction
和state-of-the-art的对比，文中还要很丰富的实验诸如有无attention参数（效果不是特别明显），pooling方式，图片特征提取方式（双流分开做对比），attention参数share方式等，这里不贴了。
三、实现代码
https://github.com/lanlianhuaer/Recurrent-Pose-Attention （原作者的，用theano框架实现）
https://github.com/agethen/RPAN （其他人的实现，用tensorflow）