论文阅读理解 - Convolutional Pose Machines

AIHGF

修改于 2020-06-12 16:01:29

2.3K0

修改于 2020-06-12 16:01:29

文章被收录于专栏：AIUAIAIUAI

论文阅读理解 - Convolutional Pose Machines

[Paper - CVPR2016]

[Code - Caffe]

[Code - TensorFlow 1.0+]

基于序列化的全卷积网络结构，学习空间信息和纹理信息，估计人体姿态. 摘要： Pose Machines 是一种序列化的预测框架，可以学习信息丰富的空间信息模型. Convolutional Pose Machines(CPMs) 是将 Convolutional Network 整合进 Pose Machines，以学习图像特征和图像相关(image-depenent)的空间模型，估计人体姿态. CPMs 对 long-range 范围内变量间的关系进行建模，以处理结构化预测任务，如，人体姿态估计.

CPMs 是由全卷积网络组成的序列化结构，卷积网络直接在前一阶段的置信图(belief maps)操作，输出越来越精细化的关节点位置估计结果；
CPMs 能够同时学习图像和空间信息的特征表示；且，不需要构建任何显式的关节点间关系模型；
中间监督 loss 解决梯度消失(vanishing gradients)问题.
end-to-end with backpropagation.

CPMs 由全卷积网络序列化组成，并重复输出每个关节点的 2D 置信图. 每一个stage，采用图像特征和上一 stage 输出的2D置信图作为输入.

置信图为后面的阶段提供了每个关节点位置的空间不确定性(spatial uncertainty)的非参数编码，使得 CPM 可以学习到丰富的与图像相关的关节点间关系的空间模型.

以 CPM 的某个特定 stage 为例：关节点置信图的空间信息，为后续 stage 提供了很无歧义的线索信息. 因此，CPM 的每个 stage 都可以输出越来越精细的关节点置信图，如 Figure 1.

为了捕捉关节点间 long-range 的相互关系，CPMs 中每个 stage 的网络设计的启发点是：同时在图像和置信图上得到大的接受野(large receptive field).

2. Convolutional Pose Machines - CPMs

CPM 同时利用深度卷积网络的优点，和 Pose Machine 框架的空间建模.

CPM 结构如图：

根据源码给出的 deploy.prototxt，CPM 部署时是 multi-scales 的，处理流程：

基于每个 scale，计算网络预测的各关节点 heatmap；
依次累加每个关节点对应的所有 scales 的 heatmaps；
根据累加 heatmaps，如果其最大值大于指定阈值，则该最大值所在位置 (x,y) 即为预测的关节点位置.

2.1 Stage t=1t=1t = 1 时关节点定位

stage t=1 时， CPM 根据图片局部信息(local image evidence)预测关节点. 利用图片局部信息local，是指，网络的接受野被约束到输出像素值的局部图片块. 如图：

输入图片经过全卷积网络，输出关节点的预测结果. 网络包括 5 个卷积层和 2 个 1×1 卷积层.

输入图片 368×368 ，卷积层不改变 feature maps 的 width 和 height，经三次 pooling 层，输出的 feature maps 大小 46×46，共 P+1 个 feature maps.

The receptive field of the network shown above is 160 × 160 pixels. The network can effectively be viewed as sliding a deep network across an image and regressing from the local image evidence in each 160 × 160 image patch to a P + 1 sized output vector that represents a score for each part at that image location.

t≥2 时网络的输出是一致的，都是 46×46×(P+1) 的 feature maps.

3.2 Stage t>1t>1t > 1 时关节点定位

启发点：关节点的置信图(belief maps)，尽管存在 noisy，但却是包含有用信息的. 如图：

Figure 3. belief maps 的空间信息. 容易检测的关节点可以为难以检测的关节点提供有用信息. (shouler, neck, head) 关节点，对于 (right elbow) 后续 stages 的 belief maps 来说，有助于消除其错误的估计(red)，并提升其正确估计(green).

大接受野的两种方式:

采用 pooling 操作，会牺牲精度precision；
增大 kernel size，会使参数量增加，训练时出现梯度消失的风险.

stage t≥2 时，网络结构及对应的接受野如图：

stride-8 网络与 stride-4 的精度一样高，更容易得到大的接受野.

3. CPM 训练

CPM 每个 stage 都会输出关节点的预测结果，重复地输出每个关节点位置的 belief maps，以渐进精细化的方式估计关节点. 故，在每个 stage 输出后均计算 loss，作为中间监督 loss，避免梯度消失问题.

如：

template<typename Dtype>
void DataTransformer<Dtype>::putGaussianMaps(Dtype* entry, Point2f center, int stride, int grid_x, int grid_y, float sigma){
  //LOG(INFO) << "putGaussianMaps here we start for " << center.x << " " << center.y;
  float start = stride/2.0 - 0.5; //0 if stride = 1, 0.5 if stride = 2, 1.5 if stride = 4, ...
  for (int g_y = 0; g_y < grid_y; g_y++){
    for (int g_x = 0; g_x < grid_x; g_x++){
      float x = start + g_x * stride;
      float y = start + g_y * stride;
      float d2 = (x-center.x)*(x-center.x) + (y-center.y)*(y-center.y);
      float exponent = d2 / 2.0 / sigma / sigma;
      if(exponent > 4.6052){ //ln(100) = -ln(1%)
        continue;
      }
      entry[g_y*grid_x + g_x] += exp(-exponent);
      if(entry[g_y*grid_x + g_x] > 1) 
        entry[g_y*grid_x + g_x] = 1;
    }
  }
}

每个 stage 的 Loss 函数：