论文阅读理解 - Multi-Context Attention for Human Pose Estimation

Multi-Context Attention for Human Pose Estimation

[Paper]

[Torch-Code]

[valse2017/ppt]

整合多内容信息注意力机制(multi-context attention mechanism)到CNN网络，得到人体姿态估计 end-to-end 框架.

采用堆积沙漏网络(stacked hourglass networks) 生成不同分辨率特征的注意力图(attention maps)，不同分辨率特征对应着不同的语义.

利用CRF(Conditional Random Field)对注意力图中相邻区域的关联性进行建模.

并同时结合了整体注意力模型和肢体部分注意力模型，整体注意力模型针对的是整体人体的全局一致性，部分注意力模型针对不同身体部分的详细描述. 因此，能够处理从局部显著区域到全局语义空间的不同粒度内容.

另外，设计了新颖的沙漏残差单元(Hourglass Residual Units, HRUs)，增加网络的接受野. HRUs 扩展了带分支的残差单元，分支的 filters 具有较大接受野；利用 HRUs 可以学习得到不同尺度的特征.

1. Introduction

人体姿态估计面临的问题：肢体关联性、自遮挡、服装影响、透视(foreshortening)因素、复杂物体背景(尤其与肢体比较相似)及人体的严重遮挡.

Figure1. 第一行分别是，输入图片、整体注意力图、部分注意力图.

第二行是关节点位置的heatmaps，不同颜色对应不同的关节点.

第三行是预测的姿态可视化结果.

(a)由于背景复杂和自遮挡问题，ConvNets可能得到错误的估计结果.

(b)视觉注意力图对人体关节点的空间关系进行建模，鲁棒性好.

(c)关节点注意力图解决重复计算问题(double counting problem)，进一步提高关节点估计结果.

视觉注意力是一种人脑有效理解场景的机制. 不同于采用一系列的矩形边界框集合来定义ROI(regions

of interest)，采用注意力模型生成注意力图，只依赖图像特征，提供了更有效的方式来关注不同形状的目标区域.

采用堆积沙漏网络结构(stacked hourglass network)来建立multi-context 注意力模型. 每个沙漏单元，特征被降低到非常低的分辨率，然后再上采样并与高分辨率特征相结合. 多次重复该沙漏网络单元，以逐渐捕捉更全局化的特征表示.

利用多个 hourglass stacks 得到的注意力图，能够表示不同语义层次的多语义信息.

2. 方法

Figure2. 8-stack hourglass网络的基本结构. 各hourglass stack 分别得到多分辨率注意力图. 将多语义注意力图应用到各 hourglass，如 stack 1 - stack 8. 分层注意力机制对局部关节点的缩放应用在 stack 5 - stack 8.

2.1 基础网络

采用 8-stack hourglass 网络作为基础网络，该网络在各 hourglass stack的尾部采用中间监督，重复地进行 bottom-up，top-down 跨尺度推断. 输入图片尺寸 $256×256$，输出heatmaps尺度为$K×64×64$，$K$为关节点数目. 网络的损失函数采用 MSE(Mean Squared Error).

2.2 Nested Hourglass 网络

采用HRUs代替残差单元，得到 nested hourglass network，如图.

Figure3. HRU例示. 包括三个分支：(A)恒等映射(identity mapping)分支； (B)残差分支；(C)hourglass residual 分支. 卷积残差分支和 hourglass residual 分支输入的接受野分别为 $3×3$ 和 $10×10$.

三个分支具有不同的接受野和分辨率，相加作为HRU的输出. HRU 单元增加了网络接受野，同时保持高分辨率信息.

2.3 多分辨率注意力(Multi-Resolution Attention)

各 hourglass 从不同尺度的特征得到多分辨率注意力图 $\Phi _r$，$r$是特征的大小. 如图Figure5. 结合得到的注意力图以改善特征，以进一步用于注意力图和特征的完善，如Figure4.

Figure5. hourglass 的多分辨率注意力机制.

Figure4. 注意力机制例示.

2.4 多语义注意力(Multi-Semantics Attention )

不同的 stack 具有不同的语义 —— 底层 stacks 对应局部特征，高层 stacks 对应全局特征. 因此，不同 stacks 生成的注意力图编码着不同的语义.

2.5 分层注意力机制(Hierarchical Attention Mechanism)

底层 stacks (stack1 - stack4)，采用两个整体注意力图 $\mathbf{h}_{1}^{att}$ 和 $\mathbf{h}_{2}^{att}$ 来对整体人体进行编码.

高层 stacks (stack5 - stack8)，设计分层的 coarse-to-fine 注意力机制对局部关节点进行缩放处理.

$\mathbf{f}$ 是Figure5中 hourglass stack 的最后一层的输出特征，$\Phi$ 上采样的注意力图.

$\mathbf{h}_{1}^{att}$ 是 hourglass stack 输出特征和注意力模型得到的注意力图；

$\mathbf{h}_{2}^{att}$ 是注意力图 $\mathbf{h}_{1}^{att}$ 结合各关节点注意力模型得到的refined后注意力图特征.

2.6 模型训练

Hourglass stack 网络估计人体关节点的heatmaps.

均方差误差(MSE)损失函数：

$L = \sum_{p=1}^{P} \sum_{l \in \mathbf{L}} ||\breve{y}_p(l) - y_p(l)||_2^2$

$p$ 为第 $p$ 个关节点，$l$ 为第 $l$ 个位置.

$\breve{y}_p$ 为关节点 $p$ 的预测heatmap；

$y_p$ 为对应的GT heatmap，是以关节点位置为中心的 2-D Gaussian.

注意力图有益于将网络关注于 hard negative samples. 网络训练了几个阶段后，注意力图集中在人体区域，注意力图将 true positive samples 突出化. 整体注意力图的特征用于训练人体区域的分类器，通过学习的注意力图来区分背景区域. 之后，关节点的注意力图，得到的分类器基于人体区域来对各人体关节点，不需要考虑背景.

2.6.1 Data Augmentation

• crop the images with the target human centered at the images with roughly the same scale
• 输入图像尺寸 $256×256$
• randomly rotate (±30◦) and flip the images
• random rescaling (0.75 to 1.25) and color jittering
• Torch7，initial learning rate $2.5 × 10^{-4}$，RMSprop 优化.

3. Results