1. 引言
《stacked capsule autoencoders》使用无监督的方式达到了98.5%的MNIST分类准确率。 Stacked Capsule Autoencoders 发表在 NeurIPS-2019，作者团队阵容豪华。可以说是官方capsule的第3个版本。前两个版本的是：
Distribution-Aware Coordinate Representation for Human Pose Estimation
在arxiv上看到了这篇论文 ,个人认为这是一个很有意思的工作, 利用用heatmap上的最大值以及其对应位置m, 来估计真实高斯分布均值位置μ. 这样的量化误差（下采样导致的量化最小单位误差）能够得到最大程度上的减轻．
论文实验验证了该方法比经验上的估计方法更准确.（取峰值到次峰值的１／４偏移处的位置，这个估计其实也是近似符合高斯分布了）.
Reproduce PersonLab (2)
Bilinear interpolation kernel + Hough voting + Greedy Algorithm
个人认为： - PersonLab中最给人启发的是：构造 geometric embedding: short-range offsets, mid-range offsets and long-range offsets 几何信息来表示人体姿态, 以此监督神经网络的预测，并根据预测结果，施以贪婪算法，关联出所有人的姿态和分割区域。
- PersonLab中最值得琢磨的数学部分是：如何将表示keypoints大致位置的heatmaps和short-offsets maps通过双线性插值核，然后进行Hough Vote得到精确位置的Hough Score Maps的过程。
Pose Neural Fabrics Search
Neural Architecture Search (NAS) for Human Pose Estimation.
Search part-specific Cell-based Neural Fabrics (CNFs) with the guide of prior knowledge of human body structure.
