一个在分割、检测与定位、高分辨率通用的网络
文章目录：
该论文《Deep High-Resolution Representation Learning for Human Pose Estimation》的原作者不仅把这种高分辨率网络结构用于姿态估计，也在尝试用于其他方向。
不久前，作者在新论文《High-Resolution Representations for Labeling Pixels and Regions》中对网络结构进行了v2版本升级，给出了更多实验结果，更加验证了该网络结构的价值！
在计算机视觉目前最热门应用领域语义分割、目标检测、人脸特征点定位中，换用高分辨率网络结构的算法都获得了显著的精度提升！
作者信息：
http://cn.arxiv.org/pdf/1904.04514.pdf
作者分别来自中国科技大学、微软亚研院、阿德莱德大学、北京大学、华中科技大学。
在新出的这篇文章中，作者的将HRNet进行了升级，使之衍生出的高分辨率网络结构能够适用于目前state-of-the-art的语义分割、目标检测、人脸特征点定位算法中的网络结构。
下图为高分辨率网络的简单结构示例：
网络前向不断维护高分辨率的表示的同时，并行的存在低分辨率的多个表示，在每个stage结束，并行的高低分辨率网络以类似全连接的方式进行信息融合。
下图为HRNet网络更新的示例：
（a）上原始高分辨率网络论文中的结构，当时该结构仅在高分辨率网络分支上进行姿态估计。（b）为将不同分辨率网络分支串联的示意图，在新的论文中用于语义分割和人脸特征点检测（记为HRNetV2），不同的颜色代表不同分辨率网络的流向结果。（c）为在（b）基础上进一步衍生出的高分辨率网络特征金字塔结构。
作者在语义分割、目标检测、人脸特征点检测三个视觉任务多个数据集上进行了实验，当算法用上高分辨率网络均获得了显著的精度提升，同时计算量和参数量下降，验证了高分辨率网络改进视觉任务的通用性。也就是意味着大家以后设计自己的网络结构直接上HRNet，基本错不了！
我们一起来看看吧！～
作者的确是很用心，从目前看到的结果看，HRNet要成为网络结构升级的通用结构，席卷深度学习领域了！
作者不仅报告了结果，还把代码开源了！
开源地址：
