自留记录论文阅读，希望能了解我方向的邻域前沿吧
粗读，持续更新
第一篇
ATTEND TO WHO YOU ARE: SUPERVISING SELF-ATTENTION FOR KEYPOINT DETECTION AND INSTANCE-AWARE ASSOCIATION
翻译：
无代码
摘要：
本文提出了一种利用Transformer解决关键点检测和实例关联问题的新方法。对于自底向上(Bottom up)的多人姿态估计模型，需要检测关键点并学习关键点之间的关联信息。我们认为，Transformer可以完全解决这些问题。具体来说，vision Transformer中的自注意度量任何一对位置之间的依赖关系，这可以为关键点分组提供关联信息。然而，朴素注意模式仍然没有被主观控制，因此不能保证关键点总是注意到它们所属的实例。为了解决这一问题，我们提出了一种监督多人关键点检测和实例关联的自我注意方法。通过使用**实例掩码(instance mask)**来监督自注意，使其具有实例感知性，我们可以根据成对的注意分数将检测到的关键点分配给相应的实例，而无需使用预定义的偏移向量字段或像基于CNN的自底向上模型那样的嵌入。该方法的另一个优点是，可以直接从监督注意矩阵中获得任意人数的实例分割结果，从而简化了像素分配流程。通过对COCO多人关键点检测任务和人实例分割任务的实验，验证了该方法的有效性和简单性，为特定目的的自我注意行为控制提供了一种很有前景的方法。
本文采用自底向下的方法，自底向