【论文阅读笔记】Simple Baselines for Human Pose Estimation and Tracking

论文地址：Simple Baselines for Human Pose Estimation and Tracking
代码地址：https://github.com/leoxiaobin/pose.pytorch

论文总结

  本文的方法和内容如文章名一般，是为了提供一个人体姿态检测和跟踪的Baseline，且易于实现。本文在网络结构上没有多的花哨的思想，只是在backbone后添加了几个deconv层，没有skip connection传递特征。通过实验得到对应的超参数。在论文实验上，也没有中间监督什么的track，就是简单的基于heatmap的训练。
  然后在pose track上，提出基于光流的姿态传播和相似度度量，而不是之前简单的那种基于human detector的bounding box IoU度量。

论文内容介绍

Pose Estimation

  本文的网络结构如上图所示，就是在 backbone 后添加了几个 deconv 层，每个 deconv 后都接着 BN 层和 ReLU，每个 deconv 的 channel 数都为256，kernel_size 为4，stride 为2。最后在预测层，使用一个1*1 conv 得到对应 channel 的 heatmap。

Pose Track

  Pose Track 基本都是对边框和ID进行跟踪。相较于贪婪匹配两帧中预测的 bounding box IoU，本文采用的跟踪管道有两点不同：（1）产生两种Bounding box：1. human detector产生的；2. 前面帧使用光流产生的；（2）贪婪匹配的相似度度量不同，本文使用的是基于光流的pose 相似度度量。

使用光流进行关节点跟踪

  基于光流的跟踪：对前一帧的每个关键节点使用光流跟踪，利用跟踪后的点，扩展边框 15% （两边分别 7.5%）得到候选 bounding box。采用光流的跟踪，可以有效地为human detector的错检和漏检进行改善。

基于光流的pose 相似度

  当人物移动过快时，IoU 作为相似度度量可能带来问题，因为没有（低）overLap。利用 OKS 度量是进一步的做法，但当姿态在不同帧发生变化时，也会产生问题。所以，本文发生的是基于光流的 pose 相似度度量。
  采用的策略是：使用前面（数）帧（特定）实例的跟踪，与当前的实例进行 OKS 计算。这是因为在考虑到遮挡的问题下，实例人总是消失又重现，连续两帧内的跟踪是不足够的，故进行多帧的基于光流的 pose 相似度量，标记为 $S_{Multi-flow}$。在这种情况下，可以实现 relink 那些在中间帧消失的实例。

基于光流的Pose Track

  检测框和跟踪的边框结合起来，一起使用bounding box NMS 操作，跟踪的边框作为漏检的补充。最后由bounding box 通过 crop 和 resize 处理后，进行姿态估计。
  为防止因为遮挡导致的目标丢失，需要重新赋 ID 的问题，使用光流跟踪的边框以联系不同的帧之间的实例 ID 的传递。

实验

  训练时，扩展bounding box到指定的长宽比（4:3），再resize到指定的分辨率（256*192）。使用的学习策略为$1e^{-3}$的初始学习率，在 90 epochs 掉到$1e^{-4}$和 120 epochs 掉到 $1e^{-5}$。batch_size 为128，使用Adam 优化器。
  测试时，使用 faster-RCNN 作为human detector，使用 flip 测试增强。同时，采用最高响应到第二响应的 $1/4$ 作为最后的检测点处。

消融学习

  从下表可以看出：

• 由(a), (b)可以得出结论：8倍的下采样比4倍的下采样 AP 下降了2.5。因此，默认使用3层deconv；
• 由(a), (c ), (d)可以得出结论：小的kernel_size会造成明显的 AP 差距，因此，默认使用kernel_size为4；
• 由(a), (e), (f)可以得出结论：更深的网络增长不大（相较于增长的运行时间和资源增长），因此，默认使用ResNet-50；
• 由(a), (g), (h)可以得出结论：图片分辨率很重要。$384\ast 288$会带来更高的 AP，但也带来更大的计算量；

  不同算法在COCO val2017数据集上的表现，如下表所示。由于 Hourglass 和 CPN 是原文的结果，而不是本文作者实现的，所以性能上的 AP 差异不一定是性能差异，也可能是实现上的差异。但本文所提出的算法结构仍是具有可比性的，且是较简单的。

  不同算法在COCO val2017数据集上的表现，如下表所示：