MMPose

1. 简介

• MMPose代码
• MMPose文档
• CoCo Keypoint排行榜
• MMPose：是一个基于PyTorch的开源的姿态估计工具箱
• 工作环境要求：
  • PyTorch 1.3+

1.1 主要功能

• 支持各种主流的人体姿态估计（2D多人姿态估计、2D Hand姿态估计、133个KeyPoints的人体姿态估计、3D人体网格恢复）
• 更高的效率的准确率：实现多个先进的深度学习模型、包括top-down和bottom-up方法
• 与流行的codebase相比，有更快的训练速度和更高的准确率
• 支持多种数据集：COCO, AIC, MPII, MPII-TRB, OCHuman等
• 精心的设计，测试和文档

1.2 基本概念

• 人体姿态估计的任务包括：关键点定位和分类 （keypoint localization and classfication）
• 空间信息（Spatial information）：有利于定位任务
• 语义信息（Semantic information）：有利于分类任务

1.2.1 支持的骨干网络（用于特征提取）

• AlexNet (NeurIPS’2012)
• VGG (ICLR’2015)
• HRNet (CVPR’2019)
• ResNet (CVPR’2016)
• ResNetV1D (CVPR’2019)
• ResNeSt (ArXiv’2020)
• ResNext (CVPR’2017)
• SCNet (CVPR’2020)
• SEResNet (CVPR’2018)
• ShufflenetV1 (CVPR’2018)
• ShufflenetV2 (ECCV’2018)
• MobilenetV2 (CVPR’2018)

1.2.2 支持的人体姿态估计方法

• DeepPose (CVPR’2014)
• Wingloss (CVPR’2018)
• CPM (CVPR’2016)
• Hourglass (ECCV’2016)
• SimpleBaseline (ECCV’2018) (Top-Down)
• HRNet (CVPR’2019) (Top-Down)
• HRNetv2 (TPAMI’2019)
• SCNet (CVPR’2020)
• Associative Embedding (NeurIPS’2017)
• HigherHRNet (CVPR’2020) ( Bottom-Up )
• DarkPose (CVPR’2020)：(AP:0.789 Coco Keypoint 排名第三 2021.5)
• UDP (CVPR’2020) ： (Unbiased Data Processing 无偏数据处理：AP:0.808 Coco Keypoint 排名第一 2021.5)
• MSPN (ArXiv’2019)
• RSN (Residual Steps Network: CCV’2020)
• HMR (CVPR’2018)
• Simple 3D Baseline (ICCV’2017)
• InterNet (ECCV’2020)

1.2.3 支持的数据集

• COCO (ECCV’2014)
• COCO-WholeBody (ECCV’2020)
• MPII (CVPR’2014)
• MPII-TRB (ICCV’2019)
• AI Challenger (ArXiv’2017)
• OCHuman (CVPR’2019)
• CrowdPose (CVPR’2019)
• PoseTrack18 (CVPR’2018)
• MHP (ACM MM’2018)
• sub-JHMDB (ICCV’2013)
• Human3.6M (TPAMI’2014)
• 300W (IMAVIS’2016)
• WFLW (CVPR’2018)
• AFLW (ICCVW’2011)
• COFW (ICCV’2013)
• OneHand10K (TCSVT’2019)
• FreiHand (ICCV’2019)
• RHD (ICCV’2017)
• CMU Panoptic HandDB (CVPR’2017)
• InterHand2.6M (ECCV’2020)
• DeepFashion (CVPR’2016)
• Animal-Pose (ICCV’2019)
• Horse-10 (WACV’2021)
• MacaquePose (bioRxiv’2020)
• Vinegar Fly (Nature Methods’2019)
• Desert Locust (Elife’2019)
• Grévy’s Zebra (Elife’2019)
• ATRW (ACM MM’2020)

2. UDP (Unbiased Data Processing-2021)

• IPS: Image Per Second

• PPS: Person Per Second

• 影响Human Pose Estimation精度的主要原因：

  • 图像预处理（如：cropping, resizing, rotating and flipping）之后的图像未与原图对齐，在进行坐标系变换时以pixel为单位，从而带来了偏差
  • 有缺陷的关键点格式变换（即编码和解码）方法将导致额外的精度下降

• 解决方案:

  • 无偏坐标系变换
  • 无偏关键点格式变换

• 主要贡献：

  • 对于bottom-up方案：UDP同时提高了准确度且减少了运行时间

• 核心思想

  • 它是一个与模型无关的方法和出色的解决方案，UDP成功地突破了人体姿势估计问题的性能边界，如下图
    

2.1 研究方法

• Bottom-up方法
  • 首先检测所有人的关节（这些关节不属于任何人），然后将这些关节组装成人的实例
• Top-down方法
  • 通过两个处理阶段来获取多人的位姿估计
  • 第一步：通过人的检测器（如：Faster R-CNN）获得人的Bounding Boxes
  • 第二步：在第一步获得的boxes中预测关节（keypoints）
• 坐标系变换（Coordinate system transformation）
  • 指路在进行某些操作（例如裁剪，调整大小，旋转和翻转）时，在不同坐标系之间数据变换（即关键点坐标和图像矩阵）
• 关键点格式变换 （Keypoint format transformation）
  • 关键点格式转换（即编码和解码）通常表示关节坐标和热图之间的转换，这种转换已被广泛使用
  • 在训练过程中：将带标注的关节坐标编码为具有高斯分布的热图
  • 在测试过程中：将网络预测的热图解码为关节坐标

2.2 Unbiased Coordinate System Transformation

• 前提：数据被定义在连续的空间
• 基本操作：裁剪，调整大小，旋转和翻转
• 坐标系：
  • 源图像坐标系
  • 网络输入坐标系
  • 网络输出坐标系

2.2.1 连续空间中数据的统一定义

• 人体姿态估计中的主要数据：
  • 图像矩阵：离散格式
  • 目标关节坐标：连续空间
• 图像平面表示 (上标p表示以像素为单位，无上标表示以单位长度为单位)
  $$\begin{gathered} w=w^p-1 \\ h=h^p-1 \end{gathered}$$
  

2.2.2 坐标系变换的概念

• 变换公式
  $$k_d=T_{s->d}{k}_s$$
  

2.2.3 基本操作的坐标系变换

• 基本操作：

  • 裁剪（cropping）
    

  • 调整大小（resizing）
    

  • 旋转（rotating）
    

  • 翻转 (flipping)
    

2.2.4 通用坐标系变换

• 在人体姿态估计中，裁剪和缩放是必须的，翻转和旋转是可选的
• 网络学习的目标：
  • 从图像矩阵$I_i$到Keypoint位置$k_i$的映射
  • 变换矩阵$T_{i->o}$
    
    
    

2.3 Unbiased Keypoint Format Transformation

• 由于关键点(keypoint)坐标不是卷积网络研究的最佳格式，直观上更合适的热图（heatmap）格式被提出并很快被证明是有效的
• 关键点格式变换：指关键点坐标与热图之间的转换
  • 编码（encoding）：从坐标格式变换为热图格式
  • 解码（decoding）：从热图格式变换为坐标格式
    $$\begin{gathered} H=Encoding(k) \\ k=Docoding(H) \end{gathered}$$
• 无偏keypoint格式变换的目标：避免在编码和解码变换过程中的精度损失，即满足如下公式
  $$k=Decoding(Encoding(k))$$

2.4 代码实现

• 开源
• 代码基于MMPose实现
• 基于以下两个模型实现：
  • HRNet
  • RSN

3. RSN（Residual Steps Network：2020）

• 开源
• 论文：Learning Delicate Local Representations for Multi-Person Pose Estimation
• 目标：研究特征融合(Feature Fusion)和注意力机制（Attention Mechanism）
• 特点：
  • 对于特征整合，当前主流方法采用层间特征融合 (inter-level feature fusion)
  • 本方法采用层内特征融合（intra-level feature fusion）
    

3.1 网络结构

3.2 感受域 （Receptive Field）

• RSN比其它网络（如：ResNet, Res2Net和OSNet）具有更大的感受域
• 更广泛的接受域有助于学习更多判别语义表示，这有利于关键点分类
• 在 RSB 内部，RSN在具有小间隙感受域的特征之间建立了密集的连接, 深度连接的架构有助于学习精细的局部表示，这对于精确的人体姿势估计至关重要

3.3 姿态优化机（Pose Refi ne Machine）

• 对于RSN的输出，层内和层间聚合后的特征混合在一起，包含低级精确空间信息和高级判别语义信息
• 空间信息有利于关键点定位
• 语义信息有利于关键点分类
  

4. HRNet （2019）

• 开源
• 论文：Deep High-Resolution Representation Learning for Human Pose Estimation
• 创新点：
  • 大多数现有方法是从低分辨率表示恢复高分辨率表示，此低分辨率是由high-to-low分辨率网络产生的
  • 本文在整个处理过程中维持高分辨率表示