Fine-Grained Head Pose Estimation Without Keypoints
简介
head pose estimation 经典论文，使用CNN预测三个角度值，pitch,yaw,roll,本文提出一种combined classification and regression方法，并且用了HopeNet，在BIWI、300W-LP和AFLW2000数据集上训练和测试，比使用landmark方法得到了提升，模型大小也不是特别大，能够实时。
网络结构
使用resnet作为backbone，分别全连接三个fc层，每个层单独预测。其中，fc层的全连接数是bin数，也就是将全部-99到+99一共199个数值每三个数分为一组，fc连接数就是66（实际上数据在超过这个范围的都剔除了，等于的剔除）。这个想法是借鉴了年龄识别的网络模型，先做分类，然后将分类的结果map到一个范围，这样精度会有大的提升。而且是multi-loss，分类的loss占比会影响梯度方向，从而会起到一个导向作用，引导回归往一个合适的方向，这是梯度方向上的引导。
对fc的结果做softmax，就把fc的值映射成了概率值，所有类别数据相加为1，映射成了概率就很方便能求出期望了，所以网络的输出又被映射到[0,99]这个区间范围内，然后乘以3减去99，这个区间范围就被映射到了[-99,+99]这个区间范围，也就是我们需要的回归。然后就是计算回归的loss，用的是mse loss。
与前面分类的loss（BCE LOSS） 按照一定权重加权求和，然后对最终的loss梯度反向，就完成了整个过程。
他这个网络两个好处，一来是利用multi-loss来引导回归，而是利用分类的结果去映射到一个可以回归的区间范围，这样就把原本是回归问题的问题转化为了分类 + 回归的问题，后来也看了其他几篇文章，基本都是转化为分类 + 回归问题来解决的，感觉这篇算是鼻祖了吧。解决思路很有效果。
数据集和实验
数据集用的是BIWI和AFLW2000，300W-LP作者只探究了高低分辨率对结果的影响。
在BIWI数据集上，划分了训练集和测试集，使用MAE作为评估标准，对比了自己的方法、FAN和直接Dlib，以及3DFFA，自己的方法在不适用深度信息的使用是SOTA的，然后去AFLW2000数据集上划分训练集和测试集去评估，只跟Gu et al.使用了CNN和RNN训练的结果做了对比，也是SOTA。
我个人感觉这个结果说服力不是很强，我自己实验的时候发现其实很难训练，想要收敛很难，网络总是会朝着局部极小值点去逼近，很难训练到一个全局极小值，即网络总是输出一个类似均值值，使得局部最小。后面也试了很多方法，训练感觉都是挺难的。网络和方法看起来很简单，但是其实挺难拟合的。
