（吐槽：标题为啥最后一个单词是tracking而不是Tracking）
谷歌研究院提出的用于边缘设备上运行的单人人体姿态估计算法，思路很清奇，和之前的做法有很大的不同。
- 使用face detector检测人体而不是body detector。作者发现，使用body detector的话受场景中密集人群遮挡的影响，而且遮挡严重状态下，body detector的confidence值不会很高。而人的头部一是不容易被遮挡，二是在神经网络中该出的响应值往往是最高的。因为，文章使用了一个face detect，并额外输出当前人的middle hips point，size of the circle circumscribing the whole person, incline(根据后文的意思来看，这个incline就是 middle hips point 和 middle shoulder point 的连线和y轴的夹角)。这样，首先就有了一个轻量化的person detector。
- 网络是有两个部分组成，分别是keypoints detection部分和keypoints regression部分。这个网络新颖的地方在于，在训练阶段，keypoints detection和regression一起训练，但两者之间仅有feature的连接，gradient不传播。在测试的时候，砍掉detection部分，仅保留regression部分，这样可以加快运行速度。文章通过实验证明这种方法在大幅加速的同时也没有损失精度，网络结构如下图所示：
- 另外在训练阶段，文章针对模型的应用场景，针对性的对数据增强部分做了限制，这样降低了模型学习复杂场景的能力，但能让模型更快的去学习真实场景下的数据。
- 除了pose detect部分，整体模型还包含了一个pose tracker用来做跟踪。按照文章的意思来说，如果在当前帧pose tracker部分能够预测到下一帧中pose的位置的时候，pose detector就不会运行，会一直使用pose tracker的结果，否则就会运行pose detector重新初始化pose tracker。这一块应该就是tracking-by-detection部分的具体逻辑，不必要每次都运行pose detector，而仅仅在tracker失败的时候再运行pose detector。
- 文章最后在自己创建的数据集上，将自己的模型和openpose的做了比较，当然是速度远超openpose精度略差（openpose在这数据集上没有预训练，用来比较是否有点不妥）
- 所以最终是BlazeFace + BlazePose + BlazePalm，blaze家族大集合。下面是一些结果，还是很不错的