一、年份2016、港中文的文章
二、代码https://github.com/chuxiaoselena/StructuredFeature 用的是caffe，可视化出来的结构比较复杂不好展示，就不放图片了
三、核心思想：
利用双向结构的树，优化网络对于结果的预测。也就是预测手肘的时候可以用上手腕和肩膀的信息。文章把这个用信息体现在feature map的使用上，并且采用“卷积实现“几何变换””,把用于支撑手腕预测的那部分feature map经过“几何变换卷积”之后增强手肘的feature map的响应。
这里的feature map和现在的大多数模型不同，这里的模型比如VGG的fc6输出是4096，然后分成几个组每个组负责预测一个关键点。所以每个组之间的feature map是相互独立，但是这个层之前的前面所有层是共享特征的。（这个做法，基本现在不采用了）
贡献：
1、提出了一个端到端姿态学习框架，利用上丰富的人体结构信息
2、“几何变换卷积”可以有效的学习“相邻关键点之间的联系”
3、双向的树状结构，这个主要也是配合1和2的
四、思想上如何整合多个feature map去提升某个目标关键点
文章作者说，之所以要用上“几何变换卷积”，因为直接把“用于预测手腕的feature map” 加上 “用于预测手肘的feature map”，存在这空间上的位置差，理论上在“检测到了手小臂后，手肘应该就在不远处了，那么可以利用“手小臂去预测手肘”；因此把通过“手小臂预测手肘的信息”结合上“直接预测手肘的信息”可以达到信息强化的效果”。
当然，为什么不直接concate这两部分信息，然后通过卷积自己去学习？这个问题作者没有说，但是我认为这个当然可以，但是这种学习方式是隐式的，我们无法保证这个隐层具体完成了什么功能！这就会导致“曲线救国”。不如直接逼迫模型这么去做！
问题又来了，上图中的“learned kernel”不还是普通卷积吗？不还是通过隐式的学习？这个我也觉得，不知道作者是如何保证这个卷积核确实是在按照“几何变换”的想法在工作的，所以我决定发个邮件问一问！但是从上图的可视化结果来看f->g这个过程来看，确实是完成了这个功能！（我觉得很有可能是这部分是完成了利用手小臂预测手肘的功能）
五、树状结构定义
树状结构的定义主要是为了，决定那部分信息可以经过 “四”所说的这个过程来强化另一部分
这张图其实一目了然了，两个箭头指向同一个节点的时候使用的“加法”，但是最后一部分预测的时候，红蓝两个箭头指向同一个预测图采用的“concate”。
“加法”和“concate”在网络体现出了不同的功能成分，加法是用来强化某个信息，concate是组合上某个信息，这里最后之所以用concate是因为红蓝色箭头在“预测”那部分都是来自同一个关键点的不同树。
六、实验结果，在当年有着不小的提升
