Multi person-pose estimation

几篇人体关键点检测的论文

一、Mask R-CNN

Mask R-CNN
Mask R-CNN同时进行目标检测和实例分割，在Faster-RCNN框架基础上增加mask分支，多任务损失为：
$L=L_{cls}+L_{box}+L_{mask}$
对于每个RoI，mask分支有$Km^2$维的输出，表示K个分辨率为$m\times m$的二值mask，对应K个类别。使用per-pixel sigmoid生成二值图，定义$L_{mask}$为平均二值交叉熵损失。对于具有真值标签k的RoI，$L_{mask}$仅对第k个mask定义，其他的mask对损失无贡献。
分类分支预测类别标记，使用这个标记选择输出的mask。这不同于FCN，使用的是per-pixel softmax 交叉熵损失，不同类间的mask有竞争。

Mask表示
Mask是输入目标的空间布局，而类别标记和box预测是将卷积特征图通过fc层折叠到短向量，而提取mask的空间结构需要对卷积特征图进行点到点的对应。论文使用FCN预测$m\times m$的mask，而RoIPool损失了像素的空间结构，作者设计了RoIAlign层。

RoIAlign
RoIPool是提取每个RoI小的特征图的标准操作，RoIPool首先将浮点数的RoI量化为离散粒度的，量化的RoI之后划分为spatial bins（如$7\times 7$），并各自量化，之后使用max pooling累积每个bin的特征值。量化的操作为[x/16]，16是步长。量化引入了RoI和特征之间的对准误差，这不影响分类，但影响mask预测。

RoIAlign层移除了量化操作，如x/16代替[x/16]，使用双线性插值计算输入特征的每个之，操作如下图所示：

网络结构
backbone：ResNet-50-C4，ResNet-FPN
网络头：

训练过程中IOU>0.5的ROI作为正样本，其余为负样本。mask损失仅对正RoI定义。image-centric训练，每个mini-batch每个GPU有2个图像，每个图像有N个RoIs，正负比为1：3。测试时，proposal的数目是300，预测box并NMS，mask分支对得分最高的100个box预测，每个box有k个mask，仅使用分类分支预测的第k个mask，最后将$m\times k$的mask resize到RoI的尺寸。

实例分割结果比对：

Mask R-CNN用于关键点检测
将关键点的位置建模为one-hot mask，使用Mask R-CNN预测K个mask，对应K个关键点类型（如，左肩、右肘）。训练的目标是一个one-hot $m\times m$的而至mask，仅有一个像素标记为前景。训练过程中对于每个真值关键点，最小化$m^2-way$ softmax交叉熵损失。
关键点检测结果比对：

表中方法[6]即为第二篇论文的方法。

二、Realtime multi-person 2d pose estimation using part affinity fields

方法使用Part Affinity Fields(PAF)，学习身体部件间的关联。自上而下的方法首先检测人体，然后对每个人进行姿态估计，人越多检测时间越长。自下而上的方法检测图像中所有的关节点，然后将关节点关联到每个人。论文基于Part Affinity Fields，提出的是自下而上的方法，PAF是表示肢体位置和方向的2D向量集。

方法描述
方法的结构如下图所示，系统的输入是一个$w\times h$的彩色图，输出图像上每个行人的2D结构关键点。前向传播网络同时预测2D置信度图S，和部件亲和2D向量L，S包含J个置信度图，每个对应一个part，$L=(L_1,L_2,...,L_C)$包含C个向量域，每个肢体一个，$L_c$中每个图像位置对应一个2D向量。置信度图和亲和字段使用双向匹配解析到所有的人。

1. 同时检测和关联
网络结构如下图3所示，同时预测置信度图和亲和字段，网络有俩个分支，图中上面的分支预测置信度图，下面的分支预测亲和字段，每个分支是一个迭代预测结构。

图像首先使用VGG-19的前10层分析，生成特征图集输入到第一阶段的两个分支。在第一阶段，网络输出置信度图$S^1=\rho^1(F)$及部件亲和字段$L^1=\phi^1(F)$，其中$rho^1(F)$和$\phi^1(F)$是第一阶段的推断。在接下来的每个极端，前一阶段两个分支的结果和原始图像特征F，串联用于生成更新的预测：

下图显示了每个阶段置信度和亲和字段的变化，每个阶段有两个损失函数，均为$L_2$损失：

W是二值掩码，位置p处标记不存在时W(p)=0。梯度replenish的方法用来避免梯度消失问题。总体目标函数为：
$f=\sum^T_{t=1}(f^t_S+f^t_L)$
2. 置信度图检测
由标记的2D关键点生成置信度图真值$S^*$，置信度图是每个身体部件在每个像素出现的置信度。如果对应的身体部件可见，置信度图中应存在一个波峰，如果有多个人出现，每个人k的可见部件j应有一个波峰。
首先对每个人k生成置信度图$S^*_{j,k}$，位置p处的值为：

真值置信度图是单个置信度图的max算子累计：
$S^*_j(p)=max_kS^*_{j,k}(p)$
3.部件亲和字段用于部件关联
部件亲和字段如下图所示：

对于某个肢体，用2D向量表示肢体中点的方向，每个肢体有一个对应的亲和字段，用于关联两个身体部件。如果点p在肢体上，$L^*_{c,k}(p)$是从身体部件起点$j_1$指向终点$j_2$的单位向量，其他点的值为0。部件亲和字段的真值是所有亲和字段的均值。
测试时，通过计算对应PAF上的线积分测量候选部件检测的候选，及链接候选部件位置的线段。对于两个候选部件位置$d_{j1}$和$d_{j2}$，在线段上采样预测的PAF，测量它们关联的置信度：
（10）
4. 使用PAF进行多人解析
对于检测到的身体部件子集，需要找到将肢体连起来的部件对，寻找最优的关联即最大化加权双向图匹配问题。图的节点是部件检测结果，边是所有可能的关联。文中使用关联置信度(10)加权，目标是寻找具有最大权值边的匹配：

这里有个没有任意两条边共享节点的约束。确定Z是个K维匹配问题，是非确定性多项式问题，作者增加了两个松弛。第一个是选择最小的边数获取人体姿态生成树骨架。第二个是将批评问题划分为双向匹配问题的子集。如下图所示。树节点由PAF显示建模，而非临近节点由CNN隐式建模。

实验结果