为加强研究生学术交流活动，推进学术创新，特开通“研究生学术报告预告区”。我校研究生和教师可以在预告区及时发布和了解有关研究生学术报告的信息，届时参加。也可就某学术报告展开专题讨论与交流。
在基于深度学习的人体姿态估计领域，监督通过姿态的标注来完成，姿态的标注是人体的关键点（比如眼睛、耳朵、嘴、肩膀、手肘、手腕、臀部、膝盖、脚踝等）。监督方式通常有两种：一种是将姿态估计看作人体关键点的回归问题，神经网络最后的输出是关键点的位置坐标和置信得分，监督使用的损失函数为一范数回归损失，优点是能end-2-end的训练，输出的关键点坐标没有歧义，缺点是监督数据仅有少量关键点坐标，网络难以训练，也很难用于多阶段refinement网络结构；第二种是将人体关键点标注先以每个关键点为中心生成关键点的热图（置信得分图），用关键点热图作为标签，使用二范数欧几里得损失函数进行误差的计算和监督网络的训练，优点是网络的训练数据大大增加，收敛性更好，缺点是输出的关键点位置是由热图求极值得到，训练不是严格的end-2-end，而且生成的关键点热图可能出现多个极值造成关键点坐标的模糊，还会因为网络加深多次下采样造成输出热图尺度太小，与位置相关的量化问题。以关键点热图作为监督的缺点在多stage的结构下得到很大的缓解。所提出的积分人体姿态回归方法，对网络输出的关键点热图求期望，再根据关键点的期望坐标与真实的坐标求回归损失。这样就能结合两种监督方式的优点，使网络的训练更加鲁棒，可以方便的应用在其他的姿态估计方法中。