旷视研究院在COCO 2019最新关于人体姿态估计的冠军方案，在不使用额外训练数据和预训练模型的情况下，集成模型在COCO test-dev上刷到了79.2。pytorch版本源码

人体姿态估计是计算机视觉领域中的一个重要任务，目前主流的方法分为top-down和bottom-up两种，其中top-down精度更高，但速度慢；bottom-up精度不如前者，但胜在速度。在COCO比赛中主要考察的是AP，基本所有的方案都是使用top-down。我们知道2017到2019年在该领域的的有影响力的文章都集中在模型和多尺度上，如CPN，simple baselines，MSPN，HRNet等，本文主要介绍一种新的人体姿态估计方法Learning Delicate Local Representations for Multi-Person Pose Estimation。该论文的基本框架与旷世2018年的MSPN类似，但更加关注相同level之间的特征聚合（intra-level）。

本文主要介绍一种利用GAN的新型无监督图像转换论文U-GAT-IT: Unsupervised Generative Attentional Networks with Adaptive Layer-Instance Normalization for Image-to-Image Translation。

论文，pytorch版本源码 目前针对deep network的热图方式的研究很多，且精度比回归方式好，但很少有研究热图的损失函数。目前主流的热图损失函数都是均方误差（MSE），在本文中则根据Wing Loss的启发，提出了一种新的针对热图的损失函数—-Adaptive Wing Loss。为了解决前景像素和背景像素之间的不平衡问题，还提出了Weighted Loss Map。为了进一步提高人脸对齐精度，还引入了boundary prediction 和 CoordConv。