Convolutional Pose Machines

有关姿态估计的文章阅读，方便理解

较为详细  https://www.aiuai.cn/aifarm176.html

https://www.cnblogs.com/CZiFan/p/10045835.html

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.

• 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).

1. Pose Machines

记 Yp∈Z 表示关节点 p 的像素位置，Z 是图片内所有的关节点位置 $${ (u,v) }$ 集合.

人体姿态估计的目标：预测图片中 P 个人体关节点位置 $${ Y = (Y_1, ..., Y_P) }$.

Pose Machine 由 multi-class 预测器序列组成，如下图，gt(⋅) 是待训练模型，分类器，用于预测每一 level 中各人体关节点位置.

在每个 stage t∈{1,...,T}，分类器 gt 输出每个关节点位置的置信 Yp=z,z∈Z. 分类器 gt 是基于在图像位置 z 所提取的特征为 xz∈Rd，以及先前 stage 分类器输出的 Yp 邻域的空间内容信息，进行分类的.

stage t=1 时，分类器 g1 输出的关节点置信值：

g1(xz)→{b1p(Yp=z)}p∈{0,...,P} (1)

其中，b1p(Yp=z) 是分类器 g1 是 stage 1 中判定第 p 个关节点在图像位置 z 时的预测分数score.

记在图片每个位置 z=(u,v)T 关节点 p 的所有置信分数为 btp∈Rw×h，w 和 h 分别为图片的宽和高，则：

btp[u,v]=btp(Yp=z) (2)

简便起见，将所有关节点的置信图(belief maps) 集合记为：bt∈Rw×h×(P+1) ( P 个关节点加上一个背景类.)

stage t > 1 时，分类器基于两种输入来预测图片关节点位置的置信：

输入1 - 图片特征 xzt∈Rd
输入2 - 前一 stage 分类器输出的空间内容信息(contextual information)

gt(xz′,ψt(z,bt−1))→{btp(Yp=z)}p∈{0,...,P+1} (3)

其中 ψt>1(⋅) 是置信 bt−1 到上下文特征的映射.

每个 stage，计算的置信beliefs 对每个关节点的估计越来越精细化.

这里，后续 stage 所用到的图像特征 x′ 与 stage t=1 所用到的图像特征 x 是不同的.

Pose Machine 采用 boosted random forests 作为分类器(gt)，手工设计所有 stages 的图像特征 x′=x，手工设计特征图feature maps ψt(⋅) 来学习所有 stages 的空间信息.

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：
[1] - 基于每个 scale，计算网络预测的各关节点 heatmap；
[2] - 依次累加每个关节点对应的所有 scales 的 heatmaps；
[3] - 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 = 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 > 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).

在 stage t > 1 时，分类器 gt>1 可以利用在图像位置 z 的周围区域存在一定 noisy 的 belief maps 的空间内容信息(spatial context)，根据关节点一致性几何关系，提高分类器的预测效果.

A predictor in subsequent stages (gt>1) can use the spatial context ( ψt>1(·)) of the noisy belief maps in a region around the image location z and improve its predictions by leveraging the fact that parts occur in consistent geometric configurations.

t = 2 时，分类器 g2 的输入如图，包括：

输入1: - 原始图片特征 xz2；
输入2: - 卷积结果；先前 stage，对每个关节点的 beliefs，通过特征函数 ψ 计算的到的特征；
输入3: - 生成的 center 的 Gaussian 中心约束( Caffe 实现中给出)

t > 2 时，分类器 gt>2 的输入，不再包括原始图片特征，而是替换为上一层的卷积结果，其它的输入与 t=2 相同. 也是三个输入.

特征函数 ψ 的作用是对先前 stage 不同关节点的空间 belief maps 编码.

CPM 没有显式函数来计算空间内容特征，而是，定义特征函数 ψ 作为分类器在先前 stage 的 beliefs 上的接受野(receptive field).

网络设计的原则是：在 stage t=2 网络的输出层的接受野是足够大的，以能学习不同关节点间的复杂和 long-range 关联性.

CPM 介绍了关于大接受野的好处，接受野对于精度的影响，如图：

大接受野的两种方式:
[1] - 采用 pooling 操作， 会牺牲精度precision；
[2] - 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.

关节点 p 的 groundtruth belief map 记为：b∗p(Yp=z)，是通过在每个关节点 p 的 groundtruth 位置 (x, y) 放置 Gaussian 函数模板的方式得到,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：

最终计算的 loss：

F=∑t=1Tft

所有的 stage t≥2 ，共享图像特征 x′. (Caffe 实现中 T=6.)

MPII 数据增强处理：

• 随机旋转图片 [-40, 40]
• 图片缩放 [0.7, 1.3]
• 水平翻转

4. 分析与实验

4.1 中间监督 loss 对于梯度消失的作用

 

 

4.2 实验结果

 

 

 

5. Related

[1] - 【人体姿态】Convolutional Pose Machines