一. 论文
二. 论文概述
- 上采样（in-network upsampling），反置卷积。该卷积层在训练过程中不学习，因为作者发现学不学习对性能提升不大。
- 作者用了crop来配合deconvolution层，因为反卷积后出来的heatmap的大小与原来的不同，所以用了crop_layer进行裁剪。
-
跳跃结构，multi-layer combinations，直接将最后一层feature map进行上采样得到的结果通常很粗糙，所以融合了前几层的输出。
三. 论文细节
1. 论文中首层卷基层pad100个像素
- 原因：当取3*3大小的卷基层的时候，卷积层不会影响输出的W和H。所以W和H的变化只考虑池化，在最后通过一个卷积化的fc6后，输出高h6=(h5-7)/1+1=(h-192)/2^5，因此如果不做预先处理的话对于小于192像素的图片就无法进行计算了。因此先进行pad,但是这也会引入很大的噪声．
2. 反卷积和crop配合得到与输入图片大小相同相同的输出
- 因为输出的heatmap的维度是大于输入图像大小的，所以进行了一个crop，crop策略由自己确定