论文阅读理解 - Learning Feature Pyramids for Human Pose Estimation

Learning Feature Pyramids for Human Pose Estimation

[Paper]

[Code-Torch]

在 Inference 时，Pyramids 类方法被广泛用于处理 scale 变化.

• 提出 Pyramid Residual Module(PRMs) —— 金字塔残差模块，来增强 DCNNs 的尺度不变性(invariance in scales)；
• Hourglass 网络，conv-deconv 结构；
• 提出新的权重初始化方法，对 multi-branch 网络权重进行初始化.

• 目标：

  增强 DCNNs 对于尺度变化的鲁棒性；

• 方法：

  PRMs，学习卷积 filter，建立特征金字塔；

  给定输入 features，PRMs 采用 multi-branch 网络基于不同采样率进行下采样，以获得不同尺度的特征；

  然后，对不同尺度的特征学习卷积 filters；

  再对 filtered 特征 下采样到相同分辨率，并相加不同尺度特征.

1. Stacked Hourglass Network

Hourglass 网络以 feed-forward 方式学习每个 scale 的信息.

首先，对 feature maps 下采样，bottom-up 处理；

然后，对 feature maps 上采样， top-down 处理；并结合 bottom layers 的更高分辨率特征；如 Figure 2(b).

重复多次 bottom-up 和 top-down，构建 stacked hourglass 网络，在每个 stack 的末尾添加中间监督.

Figure 1. single “hourglass” 模块例示. 每一个 box 对应一个 residual 模块.

Residual Unit:

采用 residual unit 来构建 hourglass 网络 block. 但其只能捕捉一个尺度的视觉特征和语义.

Stacked Hourglass Network 训练的中间监督处理：

Figure 1.1 中间监督处理. 网络输出 heatmaps(蓝色框) ，其后添加训练 loss. 采用 $1×1$ 卷积将 heatmaps 来匹配 intermediate 特征的 channels 数.

2 Pyramid Residual Modules(PRMs)

Figure 2. 框架. (a) 网络结构，有 $n$ 个 stacks hourglass 网络. (b) 每个 hourglass stack 的细节. 每个 hourglass 的末尾产生 joint 位置的 scoremaps，并使用 squared-error loss.

PRM 学习输入 features 的不同分辨率的 filters.

记 $\mathbf{x}^{(l)}$ 和 $\mathbf{W}^{(l)}$ 分别为输入和第 $l$ 层的 filter.

PRM 表示为：

$\mathbf{x}^{(l+1)} = \mathbf{x}^{(l)} + \mathcal{P}(\mathbf{x}^{(l)}; \mathbf{W}^{(l)})$

其中，$\mathcal{P}(\mathbf{x}^{(l)}; \mathbf{W}^{(l)})$ 为 feature pyramids，特征金字塔，其形式为：

$\mathcal{P}(\mathbf{x}^{(l)}; \mathbf{W}^{(l)}) = g (\sum_{c=1}^{C} f_c(\mathbf{x}^{(l)}; \mathbf{w}_{f_c}^{(l)}); \mathbf{w}_{g}^{(l)}) + f_0(\mathbf{x}^{(l)}; \mathbf{w}_{f_0}^{(l)})$

• $C$ - pyramid 层的数量；
• $f_c(\cdot)$ - 第 $c$ 层 pyramid 层的变换；
• $\mathbf{W}^{(l)} = \{\mathbf{w}_{f_c}^{(l)}, \mathbf{w}_{g}^{(l)} \}_{c=0}^{C}$ - 参数

$f_c(\cdot)$ 变换的输出相加，再采用 fliter $g(\cdot)$ 卷积.

PRM 例示如 Figure 3. 每个 $f_c(\cdot)$ 设计为 bottleneck 结构，以降低计算和空间复杂度. 例如， Figure 3 中，采用 $1×1$ 卷积来降低特征维度；然后采用 $3×3$ 卷积对下采样的输入特征集计算新特征；最后，将所有的新特征上采样到相同维度，并相加在一起.

Figure 3. PRMs 结构. 虚线表示恒等映射(identity mapping). (a) PRM-A， 将输入 feature maps 从不同金字塔层独立分离；(b) PRM-B，对于所有的金字塔层采用共享输入；PRM-C 采用 concatenation 取代 addition 来组合从金字塔层得到的特征，类似于 inception 模型；(c) PRM-D，利用 dilated 卷积，类似于 ASPP-net，而不是采用 pooling 来构建金字塔. 虚线梯形表示跳过下采样和上采样.

2.1 生成输入特征的金字塔

DCNNs一般应用 max-pooling 和 average-pooling 来降低 feature maps 的分辨率，编码其平移不变性.

但，pooling 采用至少为 2 的整数因子，会导致 feature maps 的分辨率降低很快，很粗糙；不能很好的生成金字塔.

因此，这里采用 fractional max-pooling 来逼近传统图像金字塔的平滑和下采样处理，以得到不同分辨率 feature maps.

第 $c$ 层金字塔的下采样率计算：

$s_c = 2 ^{-M \frac{c}{C}}, c = 0,...,C, M \geq 1$

这里 $s_c \in [2^{-M}, 1]$ 表示相对于输入 features 的分辨率.

例如，当 $c=0$，输出与其输入分辨率相同.

当 $M=1, c=C$，输出 map 的分辨率是其输入的一半.

实验中，设置 $M=1, C=4$，金字塔的最小尺度得到的 map 分辨率是其输入的一半.

2.2 讨论

• PRM 可以用于 CNN 结构的基础模块，如 stacked hourglass networks-姿态估计， Wide Residual Nets-图像分类，ResNeXt-图像分类.

• Pyramid 结构的变形：

  如 Figure 3(a-b)，采用 max-pooling，convolution 和 upsampling 学习特征金字塔；

  如 Figure 3(c)，PRM-D，采用 dilated convolution 来计算特征金字塔；

  如 Figure 3(b)，PRM-C，金字塔不同层次特征除了采用相加(summation)处理，还可以采用 concatenation；

  Figure 3(b)，PRM-B 具有相当的表现，但参数相对较少，计算复杂度较低. 【提供的[Code-Torch] 应该是基于 PRM-B 模型.】

• 权重共享：

  传统方法，如 HOG，对不同层次的图像金字塔学习，以生成特征金字塔. 处理过程对应于共享金字塔 $f_c(\cdot)$ 不同层次的权重 $W_{f_c}^{(l)}$.

  权重共享有效的减少了参数量.

• 复杂度

  stacked hourglass network 的 residual unit 的输入和输出是 256-d，在residual unit 降低到 128-d.

  这里采用该 residual unit 对原始尺度分支处理.

  由于小分辨率的特征包含相对较少的信息，故这里对小尺度分支采用小的特征 channel.

  例如，给定 PRM，有 5 个分支，对于小尺度分支有 28 个 feature channel.

  参数和 GFLOPs 的复杂度大约只增加了 10%.

3 网络训练和推断

3.1 训练

• 采用 score maps 来表示关节点位置：

  记 groundtruth 位置为 $\mathbf{z} = \{ \mathbf{z} _{k=1}^{K} \}$

  $\mathbf{z} _k = (x_k, y_k)$ 为图像中第 $k$ 个关节点的位置.

  groundtruth score map $\mathbf{S} _k$ 是均值 $\mathbf{z}_k$ 和方差 $\Sigma$ 的 Gaussian 分布：

  $\mathbf{S}_k(\mathbf{p}) \sim \mathcal{N} (\mathbf{z}_k, \Sigma)$

  $\mathbf{p} \in R^2$ -关节点位置；

  $\Sigma$ - 单位矩阵 identity matrix $\mathbf{I}$ .

  每个 hourglass network 预测 $K$ 个关节点的 score maps，$\hat{\mathbf{S}} = \{ \hat{\mathbf{S}}_k\} _{k=1}^{K}$

• Loss 函数：

  每个 hourglass network stack 的末尾添加 squared error loss：

  $\mathcal{L} = \frac{1}{2} \sum_{n=1}^{N} \sum _{k=1}^{K} ||\mathbf{S}_k - \hat{\mathbf{S}}_k||^2$

  $N$ - 样本数

  ​

3.2 推断

• 最后一个 hourglass stack 预测的 score maps，取 scoremap 的最大值位置，作为关节点位置 $\hat{\mathbf{z}}_k$.

  $\hat{\mathbf{z}}_k = arg max _{\mathbf{p}} \hat{\mathbf{S}}_k(\mathbf{p}), k=1,...,K$

3.3 网络初始化方法

主要是提出 multi-branch 网络初始化方法.

对于深度网络的训练，初始化很重要，尤其是像素级的 dense prediction. 在 dense prediction 中，由于全卷积网络需要较多的显存消耗，只能采用小 minibatch.

3.4 Output Variance Accumulation 输出方差的累积问题

• 恒等映射 Identity mapping 会导致随着网络的加深，响应的变化逐渐增加，使得优化难度增大.
  

• 当两个 residual units 的输出相加时，这里采用 batch_normalization 和 ReLU 后接 $1×1$ 的卷积来代替恒等映射. 如 Figure 6.
  

4 实现和结果

4.1 实现细节

• 输入图片根据标注的人体位置和 scale ，从 resized 图片中裁剪尺寸 $256×256$.

• LSP test 集：

  直接采用图像中心作为人体位置，根据图片尺寸估计人体 scale；

• 训练数据增广：

  scaling，rotation，flipping，color noise等；

• 采用 Torch 训练

• 网络优化方法为 RMSProp，4 Titan X GPUs，mini-batch size 为 16，每张 GPU 4 张图片，200 epoches.

• 初始化学习率 $7 × 10^{-4}$，在 150 epoch 和 170 epoch 各减少 $10×$.

• Testing 对 6-scale 图像 Pyramids 并 flipping 进行.

4.2 Results

网络初始化方法对比：

MPII 和 LSP 数据集上不同方法对比：