人体关键点《Stacked Hourglass Networks for Human Pose Estimation》

Stacked Hourglass Networks for Human Pose Estimation
今天做题时遇到了人体关键点的问题。这类神经网络我之前只看过综述类的文章。凭借着印象勉强写了写。今天就找一篇论文学习一下。这篇论文分析解读转载自 https://blog.csdn.net/u013841196/article/details/81048237

简介：

本文使用全卷积神经网络，对给定的单张RGB图像，输出人体关键点的精确像素位置，使用多尺度特征，捕捉人体各关节点的空间位置信息。网络结构形似沙漏状，重复使用top-down到bottom-up来推断人体的关节点位置。每一个top-down到bottom-up的结构都是一个stacked hourglass模块。

1.基本块
使用Residual Module 作为基本的网络单元

1*1 的卷积降维256->128 ，3*3 的卷积，1*1的卷积升维128->256

2.单个沙漏网络的拓扑结构是对称的
最终一共使用了8个沙漏网络。每个沙漏网络的输入都为 64*64。
输入图片大小为256*256，一开始经过一次7*7 stride2 的conv ，紧接着跟随一个residual module和 max pooling将像素值从156下降到64（较少hourglass内部计算量）。其中所有的残差模块输出256个特征图。

3.如上图，在每次pooling之后都会有1个basic building block 加到之后 upsampling中相同大小的map中。（这里可以看出每个pooling前的feature map都是256 channel的，up sampling的时候也是256 channel的）

4.中继监督
Hourglass网络输出heatmap的集合（蓝色），将这与ground truth进行误差计算，其中使用1*1的卷积层进行处理是为了保证通道数相同，这是一种保证通道数相同很常见的方法，对每一个hourglass网络都添加loss，这就相当于是8个loss一起监督。

模块化详细解读：

Residual模块
本文使用的初级模块称为Residual Module，旁路相加结构。

第一行为卷积路，由三个核尺度不同的卷积层（白色）串联而成，间插有Batch Normalization（浅蓝）和ReLU（浅紫）；
第二行为跳级路，只包含一个核尺度为1的卷积层；如果跳级路的输入输出通道数相同，则这一路为单位映射。
所有卷积层的步长为1，pading为1，不改变数据尺寸，只对数据深度（channel）进行变更。
Residual Module由两个参数控制：输入深度M和输出深度N。可以对任意尺寸图像操作。
设计原则：channel大的卷积，kernel要小；kernel大的卷积，channel要小；模块化思想。
作用：Residual模块提取了较高层次的特征（卷积路），同时保留了原有层次的信息（跳级路）。不改变数据尺寸，只改变数据深度。可以把它看做一个保尺寸的高级“卷积”层。

Hourglass子网络
Hourglass是本文的核心部件，由Residual模块组成。根据阶数不同，有不同的复杂程度。
一阶Hourglass：

上下两个半路都包含若干Residual模块（浅绿），逐步提取更深层次特征。但上半路在原尺度进行，下半路经历了先降采样（红色/2）再升采样（红色*2）的过程。
降采样使用max pooling，升采样使用最近邻插值。
注：另一种进行升采样的方法是反卷积层（Deconv）
二阶Hourglass：
把一阶模块的灰框内部分替换成一个一阶Hourglass（输入通道256，输出通道N），得到二阶Hourglass：

两个层次的下半路组成了一条两次降采样，再两次升采样的过程。两个层次的下半路则分别在原始尺寸（OriSize）和1/2原始尺寸，辅助升采样。
四阶Hourglass：
本文使用的是四阶Hourglass：

每次降采样之前，分出上半路保留原尺度信息；
每次升采样之后，和上一个尺度的数据相加；
两次降采样之间，使用三个Residual模块提取特征；
两次相加之间，使用一个Residual模块提取特征。
由于考虑了各个尺度的特征，本文不需要像CPM3方法一样独立地在图像金字塔上多次运行，速度更快。
作用：n阶Hourglass子网络提取了从原始尺度到尺度1/2n1/2n的特征。不改变数据尺寸，只改变数据深度。

完整网络结构：

一级网络：
以一个Hourglass（深绿色）为中心，可以从彩色图像预测K个人体部件的响应图：

原始图像经过一次降采样（橙色），输入到Hourglass子网络中。Hourglass的输出结果经过两个线性模块（灰色），得到最终响应图。期间使用Residual模块（浅绿）和卷积层（白色）逐步提取特征。
更正：两个Linear应该是卷积操作，输出应该是H/4*W/4*K。
二级网络：
本文使用的完整网络包含两个Hourglass：

对比上图，二级网络重复了一级网络的后半结构。第二个Hourglass的输入包含三路：
- 第一个Hourglass的输入数据
- 第一个Hourglass的输出数据
- 第一级预测结果
这三路数据通过串接（concat）和相加进行融合，它们的尺度不同，体现了当下流行的跳级结构思想。
对于H×W×3的输入图像，每一个hourglass级都会生成一个H/4×W/4×K的响应图。对于每个响应图，都比较其与真值的误差作为代价。体现了中继监督(intermediate supervision)的思想。

总结

本文的设计基于模块到子网络再到完整网络的思想。一阶hourglass网络就是一个最简单的旁路相加，上半路在原尺度进行，下半路先经历下采样再进行上采样。对于二阶hourglass网络，就是在一阶的基础上将一阶网络嵌套进来。至于之后的高阶hourglass就是一层一层嵌套，从本质上说子模块都是一样的。
特点：
- 使用模块进行网络设计
- 先降采样，再升采样的全卷积结构
- 跳级结构辅助升采样
- 中继监督训练
整个hourglass不改变特征的尺度，只改变特征的深度。

参考：
1.https://blog.csdn.net/shenxiaolu1984/article/details/51428392
2.https://blog.csdn.net/qq_36165459/article/details/78321529

---