论文阅读理解 - Convolutional Pose Machines

论文阅读理解 - Convolutional Pose Machines

[Paper - CVPR2016]

[Code - Caffe]

[Code - TensorFlow 1.0+]

基于序列化的全卷积网络结构，学习空间信息和纹理信息，估计人体姿态.

摘要：

Pose Machines 是一种序列化的预测框架，可以学习信息丰富的空间信息模型.

Convolutional Pose Machines(CPMs) 是将 Convolutional Network 整合进 Pose Machines，以学习图像特征和图像相关(image-depenent)的空间模型，估计人体姿态.

CPMs 对 long-range 范围内变量间的关系进行建模，以处理结构化预测任务，如，人体姿态估计.

• CPMs 是由全卷积网络组成的序列化结构，卷积网络直接在前一阶段的置信图(belief maps)操作，输出越来越精细化的关节点位置估计结果；
• CPMs 能够同时学习图像和空间信息的特征表示；且，不需要构建任何显式的关节点间关系模型；
• 中间监督 loss 解决梯度消失(vanishing gradients)问题.
• end-to-end with backpropagation.

CPMs 由全卷积网络序列化组成，并重复输出每个关节点的 2D 置信图. 每一个stage，采用图像特征和上一 stage 输出的2D置信图作为输入.

置信图为后面的阶段提供了每个关节点位置的空间不确定性(spatial uncertainty)的非参数编码，使得 CPM 可以学习到丰富的与图像相关的关节点间关系的空间模型.

以 CPM 的某个特定 stage 为例： 关节点置信图的空间信息，为后续 stage 提供了很无歧义的线索信息. 因此，CPM 的每个 stage 都可以输出越来越精细的关节点置信图，如 Figure 1.

为了捕捉关节点间 long-range 的相互关系，CPMs 中每个 stage 的网络设计的启发点是：同时在图像和置信图上得到大的接受野(large receptive field).

1. Pose Machines

记 $Y_p \in \mathcal{Z}$ 表示关节点 $p$ 的像素位置，$\mathcal{Z}$ 是图片内所有的关节点位置 $(u,v)$ 集合.

人体姿态估计的目标：预测图片中 $P$ 个人体关节点位置 $Y = (Y_1, ..., Y_P)$.

Pose Machine 由 multi-clas 预测器序列组成，如下图，$g_t(\cdot)$ 是待训练模型，分类器，用于预测每一 level 中各人体关节点位置.

在每个 stage $t \in \{1,..., T\}$，分类器 $g_t$ 输出每个关节点位置的置信 $Y_p = z, z\in \mathcal{Z}$. 分类器 $g_t$ 是基于在图像位置 $z$ 所提取的特征为 $\mathbf{x}_z \in R^d$，以及先前 stage 分类器输出的 $Y_p$ 邻域的空间内容信息，进行分类的.

stage $t=1$ 时，分类器 $g_1$ 输出的关节点置信值：

$g_1 (\mathbf{x}_z) \rightarrow \{b_1^p (Y_p = z) \}_{p \in \{0,...,P\}}$ (1)

其中，$b_1^p (Y_p = z)$ 是分类器 $g_1$ 是 stage 1 中判定第 $p$ 个关节点在图像位置 $z$ 时的预测分数score.

记在图片每个位置 $z = (u,v)^T$ 关节点 $p$ 的所有置信分数为 $\mathbf{b}_t^p \in R^{w×h}$，$w$ 和 $h$ 分别为图片的宽和高，则：

$\mathbf{b}_t^p [u, v] = b_t^p (Y_p = z)$ (2)

简便起见，将所有关节点的置信图(belief maps) 集合记为：$\mathbf{b}_t \in R^{w × h × (P + 1)}$ ($P$ 个关节点加上一个背景类.)

stage $t > 1$ 时，分类器基于两种输入来预测图片关节点位置的置信：

• 图片特征 $\mathbf{x}_z^t \in R^d$
• 前一 stage 分类器输出的空间内容信息(contextual information)

$g_t (\mathbf{x}_z^{'}, \psi _t (z, \mathbf{b}_{t-1})) \rightarrow \{b_t^p (Y_p = z)\}_{p \in \{0,...,P+1\} }$ (3)

其中 $\psi _{t>1}(\cdot)$ 是置信 $\mathbf{b}_{t-1}$ 到上下文特征的映射.

每个 stage，计算的置信beliefs 对每个关节点的估计越来越精细化.

这里，后续 stage 所用到的图像特征 $\mathbf{x}^{'}$ 与 stage $t=1$ 所用到的图像特征 $\mathbf{x}$ 是不同的.

Pose Machine 采用 boosted random forests 作为分类器($g_t$)，手工设计所有 stages 的图像特征 $\mathbf{x}^{'} = \mathbf{x}$，手工设计特征图feature maps $\psi_t(\cdot)$ 来学习所有 stages 的空间信息.

2. Convolutional Pose Machines - CPMs

CPM 同时利用深度卷积网络的优点，和 Pose Machine 框架的空间建模.

CPM 结构如图：

根据源码给出的 deploy.prototxt，CPM 部署时是 multi-scales 的，处理流程：

• 基于每个 scale，计算网络预测的各关节点 heatmap；
• 依次累加每个关节点对应的所有 scales 的 heatmaps；
• 根据累加 heatmaps，如果其最大值大于指定阈值，则该最大值所在位置 (x,y) 即为预测的关节点位置.

2.1 Stage $t = 1$ 时关节点定位

stage $t = 1$ 时， CPM 根据图片局部信息(local image evidence)预测关节点. 利用图片局部信息local，是指，网络的接受野被约束到输出像素值的局部图片块. 如图：

输入图片经过全卷积网络，输出关节点的预测结果. 网络包括 5 个卷积层和 2 个 $1×1$ 卷积层.

输入图片 $368 × 368$，卷积层不改变 feature maps 的 width 和 height，经三次 pooling 层，输出的 feature maps 大小 $46 × 46$，共 $P + 1$ 个 feature maps.

The receptive field of the network shown above is 160 × 160 pixels. The network can effectively be viewed as sliding a deep network across an image and regressing from the local image evidence in each 160 × 160 image patch to a P + 1 sized output vector that represents a score for each part at that image location.

$t \geq 2$ 时网络的输出是一致的，都是 $46 × 46 × (P+1)$ 的 feature maps.

3.2 Stage $t > 1$ 时关节点定位

启发点：关节点的置信图(belief maps)，尽管存在 noisy， 但却是包含有用信息的. 如图：

Figure 3. belief maps 的空间信息. 容易检测的关节点可以为难以检测的关节点提供有用信息. (shouler, neck, head) 关节点，对于 (right elbow) 后续 stages 的 belief maps 来说，有助于消除其错误的估计(red)，并提升其正确估计(green).

在 stage $t > 1$ 时，分类器 $g_{t>1}$ 可以利用在图像位置 $z$ 的周围区域存在一定 noisy 的 belief maps 的空间内容信息(spatial context)，根据关节点一致性几何关系，提高分类器的预测效果.

A predictor in subsequent stages ($g_{t>1}$) can use the spatial context ( $\psi_{t>1}(·)$) of the noisy belief maps in a region around the image location z and improve its predictions by leveraging the fact that parts occur in consistent geometric configurations.

$t = 2$ 时，分类器 $g_2$ 的输入如图，包括：

• 原始图片特征 $\mathbf{x}_z^2$；
• 卷积结果；先前 stage，对每个关节点的 beliefs，通过特征函数 $\psi$ 计算的到的特征；
• 生成的 center 的 Gaussian 中心约束( Caffe 实现中给出)

$t > 2$ 时，分类器 $g_{t>2}$ 的输入，不再包括原始图片特征，而是替换为上一层的卷积结果，其它的输入与 $t=2$ 相同. 也是三个输入.

特征函数 $\psi$ 的作用是对先前 stage 不同关节点的空间 belief maps 编码.

CPM 没有显式函数来计算空间内容特征，而是，定义特征函数 $\psi$ 作为分类器在先前 stage 的 beliefs 上的接受野(receptive field).

网络设计的原则是：在 stage $t=2$ 网络的输出层的接受野是足够大的，以能学习不同关节点间的复杂和 long-range 关联性.

CPM 介绍了关于大接受野的好处，接受野对于精度的影响，如图：

大接受野的两种方式:

• 采用 pooling 操作， 会牺牲精度precision；
• 增大 kernel size，会使参数量增加，训练时出现梯度消失的风险.

stage $t \geq 2$ 时，网络结构及对应的接受野如图：

stride-8 网络与 stride-4 的精度一样高，更容易得到大的接受野.

3. CPM 训练

CPM 每个 stage 都会输出关节点的预测结果，重复地输出每个关节点位置的 belief maps，以渐进精细化的方式估计关节点. 故，在每个 stage 输出后均计算 loss，作为中间监督 loss，避免梯度消失问题.

关节点 $p$ 的 groundtruth belief map 记为：$b_{*}^p (Y_p = z)$，是通过在每个关节点 $p$ 的 groundtruth 位置 $(x, y)$ 放置 Gaussian 函数模板的方式得到,

如：

template<typename Dtype>
void DataTransformer<Dtype>::putGaussianMaps(Dtype* entry, Point2f center, int stride, int grid_x, int grid_y, float sigma){
  //LOG(INFO) << "putGaussianMaps here we start for " << center.x << " " << center.y;
  float start = stride/2.0 - 0.5; //0 if stride = 1, 0.5 if stride = 2, 1.5 if stride = 4, ...
  for (int g_y = 0; g_y < grid_y; g_y++){
    for (int g_x = 0; g_x < grid_x; g_x++){
      float x = start + g_x * stride;
      float y = start + g_y * stride;
      float d2 = (x-center.x)*(x-center.x) + (y-center.y)*(y-center.y);
      float exponent = d2 / 2.0 / sigma / sigma;
      if(exponent > 4.6052){ //ln(100) = -ln(1%)
        continue;
      }
      entry[g_y*grid_x + g_x] += exp(-exponent);
      if(entry[g_y*grid_x + g_x] > 1) 
        entry[g_y*grid_x + g_x] = 1;
    }
  }
} 

每个 stage 的 Loss 函数：

最终计算的 loss：

$\mathcal{F} = \sum_{t=1}^{T} f_t$

所有的 stage $t \geq 2$ ，共享图像特征 $\mathbf{x}^{'}$. (Caffe 实现中 $T=6$.)

MPII 数据增强处理：

• 随机旋转图片 [-40, 40]
• 图片缩放 [0.7, 1.3]
• 水平翻转

4. 分析与实验

4.1 中间监督 loss 对于梯度消失的作用

4.2 实验结果

5. Related

[1] - 【人体姿态】Convolutional Pose Machines