姿态估计-UDP论文解读

论文： 《The devil is in the details: Delving into unbiased data processing for human pose estimation》
GitHub地址： https://github.com/HuangJunJie2017/UDP-Pose

解决问题

1、标准的数据处理主要包括坐标系统转换以及关键点格式转换，作者发现常规翻转后结果与原始推理结果不一致；
2、并且在关键点格式转换中存在统计误差。

创新点

为了从源头上解决这两个问题，作者提出无偏数据处理（UDP），包括无偏坐标系变换和无偏关键点格式变换。

算法原理

坐标转换

当发生反转增强时，会出现坐标误差。比如：
图片尺寸：$W\ast H=12\ast 12$
特征图尺寸：3*3
降采样倍数s：4
关键点坐标g：（4，4）
1、原图翻转gf：（7，7）
2、网络降采样：gfr：（7/4，7/4）
3、假设网络完全拟合，特征层坐标翻转，pr：（5/4，5/4）
4、预测坐标映射回原图，p：（5，5）
预测坐标与真值产生偏差。
根因分析：
由于坐标映射出现偏差，坐标11，映射到坐标11/4，坐标3无原图映射点，下采样后坐标不应为除4，应为（12-1）/（4-1），即坐标11映射到坐标3.经过纠正后，误差可消除。

无偏关键点格式转换

无偏关键点格式转换；其中有两种方案：
1、结合分类与回归偏移；其中分类分支为圆形区域，回归分支为x、y两方向坐标偏置。

2、分类格式。生成高斯map。测试时，复用DARK中decoding模块，如式38，进行坐标矫正，可参考之前文章.

实验结果

适用于bottom-up方法以及top-down方法，在bottom-up方法上耗时有提升；top-down方法上耗时无影响。

总结

从数据无偏角度出发，有效提升算法性能。