RTMO: 超越YOLO-pose的高性能、单阶段、多人姿态估计

论文地址：https://arxiv.org/pdf/2312.07526v1.pdf

github：https://github.com/open-mmlab/mmpose/tree/dev-1.x/projects/rtmo

目录

1. 动机

2. 方法

2.1 概述

2.2 本文关键技术

2.2.1 Dynamic Coordinate Classifier

2.2.2  MLE for Coordinate Classification

3. 实验结果

 4. 写在后面

---

1. 动机

实时多人姿态估计面临着速度与精度平衡的问题。two-stage的方法中，top-down是先检测再估计pose，人一多的时候就会变慢，bottom-up的方法则需要grouping等操作，效果也不理想；已有的one-stage方法虽然速度很快，但精度往往不高。

因此，作者提出了一个one-stage、高性能的多人姿态估计方法——RTMO，其通过双1-D heatmap表示关键点，无缝集成到了YOLO框架中，在保持高推理速度的前提下，提升了one-stage多人姿态估计的性能。

2. 方法

作者主要是将YOLO目标检测框架和坐标分类方法（如RTMPose、SimCC，以及DFL所用的那样）结合了起来，不过和他们不同的是，RTMPose、SimCC是将整个输入图像分成若干个bins，这导致大量bin的浪费且效率低下，DFL在anchor附近设置bin，这会导致召回比较低；而作者提出在bbox内进行bin的分配，这样一来，就可以实现动态分配，既能覆盖每个实例，又能根据每个实例的大小分配bin，同时也避免了在没有实例的地方分配bin造成浪费。

2.1 概述

提出的RTMO框架如下图所示：

 网络框架描述如下：

输入图像经过backbone（CSPDarknet）后，最后三层feature map经过Hybrid Encoder得到16、32倍下采样的空间feature mapP4、P5，送入Heads；每个Head生成一个得分feature、一个坐标姿态feature，其中坐标姿态feature用于预测bbox、关键点坐标、关键点可见性。

****强行插入一段*****：

关于坐标分类，没做过的小伙伴可能有点懵，我们可以从SimCC这篇文章中的方法一窥其貌。在SimCC中，将全图沿着X、Y轴分成多个bins，每个bin的宽度是小于一个像素的，也就可以在feature map中得到亚像素级别的坐标，从而缓解量化误差。SimCC网络结构长这样：

2.2 本文关键技术

2.2.1 Dynamic Coordinate Classifier

以前的方法直接从姿态特征回归关键点的位移，这会导致性能低下。本文提出了动态坐标分类器DCC，见图2中的DCC部分，动态地为两个1-D heatmap中的bin分类范围和形式表示，其先将bbox扩展1.25倍，然后再水平、垂直方向均匀划分bin，对于x轴（水平方向），bin的坐标表示如下：

其中，xl, xr表示bbox的左右边界，共Bx个bin；y轴与之类似。

由于采用了动态的bin分配策略，所以每个bbox中的bin坐标是局部的，为了对应到全局坐标，作者使用sine进行了位置编码（positional encoding）：

其中，t表示强度，c是索引，C是总维度。 

如图2中的DCC部分所示，bin经过sine 位置编码后又利用一个FC层来细化其对任务的适应性，然后与经过FC+Reshape+GAU（Gated Attention Unit）后的关键点feature相乘，再经过softmax得到heatmap:

2.2.2  MLE for Coordinate Classification

作者提出了用极大似然估计作为坐标分类的损失函数。在分类任务中，one-hot目标、交叉熵损失比较常用，还有Label平滑以及KLD，都能提升性能。高斯均值及方差可以视为标注坐标和预定义参数，则目标分布定义为：

比较重要的一点是，作者注意到上述目标分布在数学上与带有真值xi的标注ux的似然函数相等，这种对称性的出现是因为高斯分布相对于它的平均值是对称的。将xi的预测概率作为先验，则第k个关键点的似然定义为：

最大化上述似然即可建模标注的分布。

在实际使用中，作者使用了拉普拉斯分布和负对数似然损失：

总的MLE损失为：

与 KLD 不同，我们的 MLE 损失允许可学习的方差，表示不确定性。这种不确定性学习框架自动调整各种样本的难度。对于困难样本，模型预测较大方差以简化优化过程，对于简单样本，预测较小方差来提升准确性。而在KLD中，采用可学习方差是有问题的，因为模型会从简化学习的角度出发从而倾向于学习较大方差。

3. 实验结果

 4. 写在后面

RTMO这项工作对YOLO进行了扩展，将坐标分类的方法集成到了YOLO框架中。不同于YOLO-Pose的直接回归，RTMO将bbox范围内的X、Y轴范围分为多个bin，然后对关键点x/y坐标进行分类得到其坐标；也不同于其他one-stage 多人姿态估计方法，如SimCC直接在全图划分bins或者DFL在anchor附近划分bins，RTMO则在bbox范围内进行划分，这避免了全图密集bins的浪费，也保证了每个实例的覆盖。