一、年份2016、港中文的文章
二、代碼https://github.com/chuxiaoselena/StructuredFeature 用的是caffe，可視化出來的結構比較複雜不好展示，就不放圖片了
三、核心思想：
利用雙向結構的樹，優化網絡對於結果的預測。也就是預測手肘的時候可以用上手腕和肩膀的信息。文章把這個用信息體現在feature map的使用上，並且採用“卷積實現“幾何變換””,把用於支撐手腕預測的那部分feature map經過“幾何變換卷積”之後增強手肘的feature map的響應。
這裏的feature map和現在的大多數模型不同，這裏的模型比如VGG的fc6輸出是4096，然後分成幾個組每個組負責預測一個關鍵點。所以每個組之間的feature map是相互獨立，但是這個層之前的前面所有層是共享特徵的。（這個做法，基本現在不採用了）
貢獻：
1、提出了一個端到端姿態學習框架，利用上豐富的人體結構信息
2、“幾何變換卷積”可以有效的學習“相鄰關鍵點之間的聯繫”
3、雙向的樹狀結構，這個主要也是配合1和2的
四、思想上如何整合多個feature map去提升某個目標關鍵點
文章作者說，之所以要用上“幾何變換卷積”，因爲直接把“用於預測手腕的feature map” 加上 “用於預測手肘的feature map”，存在這空間上的位置差，理論上在“檢測到了手小臂後，手肘應該就在不遠處了，那麼可以利用“手小臂去預測手肘”；因此把通過“手小臂預測手肘的信息”結合上“直接預測手肘的信息”可以達到信息強化的效果”。
當然，爲什麼不直接concate這兩部分信息，然後通過卷積自己去學習？這個問題作者沒有說，但是我認爲這個當然可以，但是這種學習方式是隱式的，我們無法保證這個隱層具體完成了什麼功能！這就會導致“曲線救國”。不如直接逼迫模型這麼去做！
問題又來了，上圖中的“learned kernel”不還是普通卷積嗎？不還是通過隱式的學習？這個我也覺得，不知道作者是如何保證這個卷積核確實是在按照“幾何變換”的想法在工作的，所以我決定發個郵件問一問！但是從上圖的可視化結果來看f->g這個過程來看，確實是完成了這個功能！（我覺得很有可能是這部分是完成了利用手小臂預測手肘的功能）
五、樹狀結構定義
樹狀結構的定義主要是爲了，決定那部分信息可以經過 “四”所說的這個過程來強化另一部分
這張圖其實一目瞭然了，兩個箭頭指向同一個節點的時候使用的“加法”，但是最後一部分預測的時候，紅藍兩個箭頭指向同一個預測圖採用的“concate”。
“加法”和“concate”在網絡體現出了不同的功能成分，加法是用來強化某個信息，concate是組合上某個信息，這裏最後之所以用concate是因爲紅藍色箭頭在“預測”那部分都是來自同一個關鍵點的不同樹。
六、實驗結果，在當年有着不小的提升
