人体部位检测：DID-Net

最新推荐文章于 2023-03-30 15:49:24 发布

AIRV_Gao

最新推荐文章于 2023-03-30 15:49:24 发布

阅读量1.7k

点赞数 3

分类专栏：论文笔记文章标签：深度学习计算机视觉人工智能人手检测

本文链接：https://blog.csdn.net/gaoqing_dream163/article/details/127559351

版权

论文笔记专栏收录该内容

45 篇文章 14 订阅

订阅专栏

Detector-in-Detector: Multi-Level Analysis for Human-Parts解读

摘要
1. 简介
2. Related work
- 自顶而下（Top-down）的姿态估计方法
3. Detector-in-Detector Network
4. Experiments

论文链接：https://arxiv.org/pdf/1902.07017.pdf
论文代码：https://github.com/svjack/Detector-in-Detector；https://github.com/xiaojie1017/Human-Parts
论文出处：ACCV2018

摘要

近年来，随着深度卷积神经网络(CNN)的发展，基于视觉的人、手或脸检测方法取得了难以置信的成功。
在本文中，我们考虑了身体和身体部位之间的内在相关性，提出了一种新的框架来提高多层次物体的检测性能。
特别地，我们采用基于区域的物体检测结构，通过两个精心设计的检测器，分别以由粗到细的方式关注人体和身体部位，我们称之为Detector-in-Detector网络(DID-Net)。
第一个探测器被设计用来检测人体、手和脸。
第二种检测器在第一种检测器的身体检测结果的基础上，主要对每个身体内部的小尺度手和脸进行检测。
该框架通过优化 multi-task loss以端到端方式进行训练。
针对人体、人脸和手部检测数据集的不足，我们收集并标记了一个新的大型数据集“human - parts”，包含14,962张图像和106,879个注释。
实验结果表明，该方法对人体零件具有良好的检测效果。

1. 简介

人的部分是多层次的对象，其中脸和手是身体的子对象。
大多数检测框架在解决多层次对象检测问题时，忽略了多层次对象之间的内在相关性，将这些sub-objects和objects粗略地视为普通对象。
当使用通用的检测算法进行这种多层次的对象任务时，对于大型对象(如人体)的检测性能相对简单。在现实世界的应用中，关键的挑战主要来自于训练检测器，以识别像脸和手这样的小物体，因为它们的姿势变化很大，而且遮挡严重，这使得它们距离达到和人类一样的检测能力还很远。
在训练过程中，背景信息比小目标多，在进行小目标检测时产生了严重的干扰。
受到基于自上而下的姿态估计方法启发，这种方法首先从图像中定位和裁剪所有人，然后解决裁剪人中的单个人姿态估计问题。我们提出了一个基于区域的卷积神经网络，称为Detector-in-Detector Network (DID-Net)，它允许网络首先看到图片中的身体，然后查看这些身体内部，找到微小的脸和手。
我们的网络包含两个基于区域的检测器:BodyDetector和PartsDetector。
BodyDetector采用传统的Faster R-CNN实现预测一组人体边界框。
然后对检测到的人体特征图进行包装，然后发送到基于区域的PartsDetector中，预测手和脸的边界框。在PartsDetector中，许多对训练无用的背景区域被砍掉。因此，cropped body特征内部扰动较小，有利于小零件的检测。整个网络以端到端的方式进行训练。
我们构造了一个新的Human-Parts数据集，它包含14,962张人的身体，脸和手在现实的不受约束的条件下标记良好的图片。
据我们所知，这是第一个结合了人类三个重要部分的检测数据集。

2. Related work

自顶而下（Top-down）的姿态估计方法

自顶向下人体姿态估计算法使用两个独立的网络:一个人的检测网络和一个人的姿态估计网络来执行姿态估计任务。
首先用检测器在图像中检测人。然后从图像中裁剪出被检测到的人，利用单人姿态估计网络预测每个人的关键点。
许多自顶向下算法在COCO关键点基准上取得了优异的性能。
通过有效地共享特性，Mask-RCNN可以以端到端的方式完成这项任务。它首先生成人的proposals。然后对每个建议预测K个masks，每K个关键点类型对应一个mask，这是一个检测器中的姿态估计器结构。

3. Detector-in-Detector Network

所提出的Detector-in-Detector network (DID-Net)的体系结构如图2所示。
我们对Faster RCNN结构进行了扩展，在它之后附加了另一个轻量级部件检测器，这是一个Detertor-in-Detector结构。
框架包含两个检测器：
（1）BodyDetector是专为人体、手和脸检测而设计的。
（2）PartsDetector附加在由BodyDetector选定的身体边界框内，用于手部和面部检测。

3.1 BodyDetector

BodyDetector使用与Faster RCNN相同的结构。我们的骨干网络是Resnet-50，它是在ImageNet上预先训练的.
Backbone网络生成一系列多尺度的卷积特征maps。我们将这些特征maps表示为(C2, C3, C4, C5)，这是从每个scale阶段的最后一层提取的。
为了增加C5特征图的分辨率，我们将有效stride从32像素减少到16像素。因此，每一层对应的stride相对于输入图像为(4,8,16,16)像素。
C4特征预测一组proposals，使用region proposal network（RPN-S1）。
然后，利用RoI Align（使用7×7大小）将每个proposal的特征从Head-body中裁剪出来，汇集到一个固定大小的特征向量中。
然后将这些特征输入到RCNN-S1中，对身体、手和脸进行per-proposal分类操作和box refinement。
为了模型的紧致性，在C5的顶部特征上使用256个核的1×1卷积层后生成Head-body，以降低维数。
在Head-body的特征图顶部添加RoI Align层。
维度1024的两个新的fully connected (fc) layer应用于RoI Align特性，然后是边界框回归和分类分支。

3.2 PartsDetector

PartsDetector共享第一阶段相同的卷积特征，通过简单地将Head-hf添加到C5，与Head-body平行, 其中包含256通道功能与Head-body相同。
选择第一阶段分类分数较高的预测体边界框。对所选方案进行非最大抑制(non - maximum suppression, NMS)来消除高度重叠的检测边界框。
box regression后，将person proposals 的特征从Head-hf 包装 with RoI Align，并且池化为24 × 24大小。
将RPN-S2应用于被包裹的身体特征上，生成手和脸的roi。
然后从另一组特征中提取出roi的特征，这组特征是输出的256个通道特征，通过在Head-hf上加入2个3×3 的卷积层获得。
在提取的RoI特征后附加两个fully connected layers，用于使用 RCNN-S2进一步分类和box regression。
在这一阶段，我们使用尺寸24 × 24 for 身体的RoI Align 尺寸，并使用尺寸5 × 5 for 手或脸的裁剪特征，因为他们之间的比例差异。
在训练过程中，考虑到我们使用的数据集，我们在每张图像中选择前16个身体检测，通常每张图像中最多包含11个人。
在PartsDetector中，我们在编写实现代码时，将每一个被检测到的人体视为检测器中的一个输入图像。
NMS用于消除推理和训练过程中高度重叠的检测边界框。

3.3 Loss function

我们的网络被训练来实现多任务loss的最小化，其中包括来自两个检测器的RPN和RCNN模块的分类和bounding-box regression损失。
我们在分类中使用softmax cross-entropy loss，在bbounding box回归中使用smooth L1 loss。
对于两个探测器的RPN阶段，分类loss 是背景/前景类的softmax cross-entropy loss。
损失函数如下所示：

其中，L_s1_rpn和L_s1_cls表示BodyDetector中RPN-S1 and RCNN-S1的loss。
L_s2_rpn和L_s2_cls表示PartsDetector中RPN-S2 and RCNN-S2的loss。

4. Experiments

4.1 Human-Parts Datasets

在本文中，我们收集并标记了一个名为HumanParts的检测数据集，该数据集包含人、手和脸三个类别的注释。
每张图片的人数从1到11。
我们的数据集总共包含14,962张图像(我们使用12000个用于训练，2962个用于测试)和106879个注释(35306人，27,821张脸和43,752只手)。
我们用xmin, ymin, xmax和ymax坐标标记了每一个可见的人，手或脸，并确保注释覆盖了整个对象，包括遮挡的部分，但没有额外的背景。
注释的格式按照PASCAL VOC。
有代表性的图片和注释见图3所示。

关于这个数据集的更多细节以及与其他人体部位数据集的比较见表1。

4.2 Implementation Details

我们在Human-Parts数据集上进行所有实验。对12000张训练集图像和2962张测试集图像进行训练和评估。
我们使用standard average precision(AP)和mean average precision(mAP)进行评价。
我们报告AP和mAP分数使用intersection over union (IoU)阈值为0.5。
所有的网络都是从预先训练的ImageNet分类网络ResNet-50进行微调的。
我们的系统是用Pytorch实现的。
对于anchor的生成，我们在BodyDetector阶段使用尺度(642,1282,2562,5122)，在PartsDetector阶段使用尺度(322,642,1282,2562)，考虑到身体和身体部位的尺度变化。
所有anchors的aspect ratio为(0.5，1、2)由于在野外手和脸有很大的变化。
在培训过程中，BodyDetector的RCNN-S1阶段采用512的mini-batch size，PartsDetector的RCNN-S2阶段每个person RoI采用32的mini-batch size。
采用多尺度训练策略，对不同尺度目标具有鲁棒性。
在我们的方法中，较短的一侧被调整为(416,480,576,688,864,1024)像素。
我们只使用水平图像翻转增强。
在测试阶段，每个图像较短的一面被调整到800像素，并独立测试。
在训练过程中，我们采用了使用随机梯度下降(SGD)的端到端学习过程。
整个网络经过30,000次迭代训练，初始学习率为0.01。
我们在20,000次迭代时将学习率衰减0.1。动量为0.9，权值衰减为0.0005。
在推断过程中，BodyDetector模块输出300个最佳评分anchors作为检测。
而在PartsDetector模块中，由于每个身体区域内的部分有限，我们只选择30个最佳评分anchors。
BodyDetector 和 PartsDetector中hand和face的输出结果融合在一起，并对输出执行阈值为0.45的NMS。

4.3 Main results

在表2中，我们使用不同的数据和我们的DID-Net对传统的Faster RCNN训练进行研究。

Separate Network 在一个ResNet-50 Faster R-CNN网络中只处理一个类别检测任务。（即person，hand，face分开检测）；
Union Network在同一网络中同时执行三类检测任务。（即person，hand，face同时检测）。
Person AP
在Union Network中一起进行多目标检测任务后，人的AP性能从88:1提高到89:6，由此我们可以推断手和脸的显著性将有助于人的检测性能。
Small Parts AP
Union Network中小部件AP值较Separate Network降低。原因主要来自人体与身体各部位之间的尺度差异。在实际操作中，整个图像主要被人体等较大的物体所占据。小的手和脸通常占据相对较小的面积。在固定anchor尺度和anchor比的情况下，RPN产生的小锚点较少，导致小零件检测性能较差。
与Separate Network和Union Network相比，DID-Net在每个主体内部进行另一个RPN，其他物体或背景的干扰较少。
DID-Net可以了解更多身体部位之间的空间区域关系。此外，在提取人proposals的特征时，我们将这些包装的特征汇集到24 × 24的大小，这将比原始的人特征映射更大。这个操作将缩小small parts的特征，为进一步的检测提供了高分辨率的特征图。

4.4 Ablation study

在表3中，我们评估了不同的组件如何影响PartsDetector的检测性能。为了比较公平，我们修改了骨干网和BodyDetector的参数。因此，表3中的人员AP是常数。
Architecture
PartsDetector有两种设计:
(1)RPN-S2 + RCNNS2设计:它遵循我们在第3节中描述的结构。采用两种RoI Align操作，如图2所示。
(2) RPN-S2与SSD一样，直接输出每个RoI的classification和box regression。只有一个RoI Align操作。
从表3可以看出，PartsDetector的两级设计可以在小部件检测上实现更高的精度。
Person RoI
Person RoI表示多个人体在NMS操作之后在训练过程中从BodyDetector中选择。
考虑到计算效率，不使用较大的数字。选择16和8.
结果表明，如果在训练过程中选择的body小于图像实际包含的body，Head-hf的特征将不能包含对未选择body的足够响应。
不完整的训练将导致PartsDetector的性能下降。

4.5 Comparisons with the state-of-arts

我们将提议的DID-Net与表4中对Human-Parts数据集执行的最先进方法进行比较，其中包括SSD(训练图像大小为512 × 512)、Faster R-CNN、RFCN和FPN。
SSD是使用它论文的原始设置进行的。
对于这些基于区域的检测器，多尺度训练(在4.2中描述)，锚点尺度为(64²,128²,256²,512²)，锚点比率为(0.5,1,2), RoI Align在训练期间所有模型均采用。
所有模型经过30,000次迭代训练，初始学习率为0.01，权值衰减为0.0005，动量为0.9。
结果表明，我们的DID-Net在人和手的分类上达到了最高的准确率。
基于区域的两阶段检测模型(Faster R-CNN, RFCN，FPN)的性能优于单级检测器(SSD)，证明了两级检测器的能力。
由于不同尺度特征的高效融合，FPN在手和脸检测性能上比Faster R-CNN更好。
在基础的BodyDetector上加入PartsDetector后，我们的体系结构对人脸和手的检测性能有了很大的提升。