论文笔记：Towards accurate multi-person pose estimation in the wild（G-RMI）
Towards accurate multi-person pose estimation in the wild
-
-
1、摘要
-
2、方法
-
- 2.1、人体检测
- 2.2、姿态估计
-
3、实验
-
4、总结
-
1、摘要
作者提出了新的自顶向下的多人姿态估计方法。首先使用 Faster~RCNN 预测可能包含人体目标的边界框的位置和大小。然后估计每个提议边界框可能包含的关键点。使用全卷积 ResNet 预测每个关键点的密度热图和偏移量。为了合并输出，作者引入了一种新的聚合过程来获得高度定位的关键点预测。作者还使用了一种新形式的基于关键点的非最大值抑制，而不是更粗糙的框级非最大抑制，以及一种新形式的基于关键点的置信度得分估计，而不是框级得分。
2、方法
如图 1 所示为算法处理过程。
图 1 首先使用 Faster~RCNN 检测人体目标，然后裁剪相应目标图像块，使用姿态估计器定位关键点，并且对相应提议重新打分。
2.1、人体检测
使用空洞卷积替代的 ResNet-101 作为 Faster~RCNN 检测器网络主骨，输出步长等于 8 像素。
2.2、姿态估计
姿态估计器在给定人体边界框的基础上预测 17 个人体关键点。对于每个空间位置，首先分类它是否在每个关键点附近（称之为“热图”），然后预测二维局部偏移向量，以获得相应关键点位置的更精确估计。
如图 2 所示，每个关键点对应 3 个输出通道。
图 2：网络目标输出。左和中：左肘关键点热图目标。右：偏移场 L2 幅度（以灰度显示）和二维偏移向量以红色显示。
图像裁剪 ：首先通过扩展人体检测器返回的盒子的高度或宽度，使所有盒子具有相同的固定纵横比，而不扭曲图像纵横比。然后进一步扩大框来包含图像上下文：评估时缩放因子等于 1.25，训练时，缩放因子在 1.0 到 1.5 之间。之后将图像高度调整为 353，图像宽度调整为 257。纵横比为 353/257=1.37。
热图和偏移预测 ：使用全卷积的 ResNet-101 产生热图（每个关键点一个通道）和偏移（每个关键点两个通道，x 和 y），一共 3K 个通道，K=17 为关键点数量。使用空洞卷积产生 3K 个预测，输出步长为 8 像素，并使用双线性插值上采样至 353\times257。
若第 k 个关键点定位于 x_i，f_{k}\left(x_{i}\right)=1，否则为 0。对每个位置 x_i 每个关键点 k，计算概率 h_{k}\left(x_{i}\right)=1，如果 | | x_{i}-l_{k}| | \leq R，即，到第 k 个关键点的位置 l_k 在半径为 R 的盘内。生成 K 个这样的热图，为每个位置和关键点独立解决二分类问题。
除了热图，为每个位置 i 和每个关键点 k 生成 2-D 偏移向量。F_k(x_i)=l_k-x_i。一共生成 k 个这样的向量场，分别为每个位置和关键点求解回归问题。
生成热图和偏移场后，将两者结合生成高度局部化激活图 f_k(x_i)：
f_{k}\left(x_{i}\right)=\sum_{j} \frac{1}{\pi R^{2}} G\left(x_{j}+F_{k}\left(x_{j}\right)-x_{i}\right) h_{k}\left(x_{j}\right)\tag1
其中，G() 为双线性插值核。这是霍夫投票的形式：图像裁剪网格中的每个点 j 投下一张投票，并对每个关键点的位置进行估计，投票由它在相应关键点的影响盘中的概率加权得到。归一化因子等于盘面积，并确保如果热图和偏移是完美的，那么 f_k(x_i) 将是以第 k 个关键点的位置为中心的单位质量的 \delta 函数。
该过程如图 3 所示。
图 3 预测每个关键点附近的盘状热图和盘内精确关键点的偏移场幅值
训练 ：使用两个卷积输出头，一个输出 sigmoid 函数产生概率热图 h_k(x_i)。训练目标是 0 和 1 组成的热图。相应的损失函数 L_h(\theta) 分别是每个位置和关键点的 logistic 损失之和。为加速训练，在 ResNet 第 50 层添加中间监督。
偏移损失为：
L_{o}(\theta)=\sum_{k=1 : K} \sum_{i :\left\|l_{k}-x_{i}\right\| \leq R} H\left(\left\|F_{k}\left(x_{i}\right)-\left(l_{k}-x_{i}\right)\right\|\right)\tag2
其中，H(u) 为 Huber 鲁棒损失，l_k 为第 k 个关键点位置，仅计算每个关键点半径 R 的盘内的位置 x_i 的损失。最终损失函数为：
L(\theta)=\lambda_{h} L_{h}(\theta)+\lambda_{o} L_{o}(\theta)\tag3
其中，\lambda_h=4，\lambda_o=1。计算一个 minibatch 中所有图像的损失和，然后随机梯度下降。
模型训练中的一个重要考虑是，在热图损失的计算中，如何处理图像裁剪中存在多人的情况。当计算中间层的热图损失时，作者排除了背景人关键点周围盘中的贡献。当计算最后一层的热图损失时，我们只将前景人关键点周围盘内视为正的，而将其他一切视为负的，这迫使模型正确预测框中央人物的关键点。
姿态重打分 ：测试时，将模型用于每个图像裁剪，而不是仅依赖人检测器置信度。考虑每个关键点置信度。最大化位置，平均化关键点产生最终实例级姿态检测分数。
\operatorname{score}(\mathcal{I})=\frac{1}{K} \sum_{k=1}^{K} \max _{x_{i}} f_{k}\left(x_{i}\right)\tag4
基于 OKS 的非最大抑制 ：使用目标关键点相似度来度量两个候选姿态检测是否重叠。姿态估计器输出处的更精细的 OKS-NMS 更适合于确定两个候选检测是对应于 FP （同一个人的双重检测）还是 TP（两个人彼此非常接近）。
3、实验
4、总结
- 热图和偏移场生成方法
- 姿态重打分
- 基于 OKS 的非最大抑制