分割、检测与定位，高分辨率网络显神威！这会是席卷深度学习的通用结构吗？

52CV曾经第一时间报道过CVPR2019 | 微软、中科大开源基于深度高分辨表示学习的姿态估计算法，此后该文引起不少媒体的关注。

当时CV君发现，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：

https://github.com/HRNet

作者分四个方向放出了源代码和预训练模型，大家可以下载测试下。

在你的研究工作中试试HRNet吧，它看起来真的很有前途！