EMHIFormer: An Enhanced Multi-Hypothesis Interaction Transformer for 3D human pose estimation in vid

EMHIFormer：一种增强的多假设交互Transformer，用于视频中三维人体姿态估计

Redirecting

摘要 

单目3D人体姿态估计是一个具有挑战性的任务，因为深度模糊和遮挡。最近的方法利用时空信息，并产生不同的假设来模拟不同的解决方案，以缓解这些问题。然而，这些方法没有充分提取空间和时间信息以及每个假设的关系。为了缓解这些限制，我们提出了EMHIFormer（增强型多假设交互Transformer）模型的3D人体姿势具有更好的性能。详细地说，我们在不同的Transformer层之间建立连接，以便我们的模型能够整合前一层的时空信息，并建立更全面的假设。此外，提出了一个由并联Transformer组成的交叉假设模型，以加强各种假设之间的关系。我们还设计了一个增强的回归头，自适应地调整通道权重，以导出最终的3D人体姿态。在两个具有挑战性的数据集上进行了大量实验：Human3.6M和MPI-INF-3DHP以评估我们的EMHIFormer。结果表明，EMHIFormer在Human3.6M上实现了有竞争力的性能，在MPI-INF-3DHP上实现了最先进的性能。与最接近的对应物MHFormer相比，我们的模型在Human3.6M数据集上比它高0.6% P-MPJPE和0.5% MPJPE，在MPI-INF-3DHP上比它高46.0% MPJPE。

引言

由于缺乏位置信息，二维人体姿态估计只能在像素坐标系下建立人体，不能反映人体关键点与真实的世界的关系。为了解决这一问题，越来越多的科学家和研究人员关注三维人体姿态估计（3D HPE）。单目观察的3D HPE旨在从图像或视频中检测人体的3D关节位置，它可以提供有价值的身体运动和身体交互的表达，这对我们的生活有着巨大的应用，如动作识别[1-3]，医疗保健和虚拟现实[4]。因此，3D HPE在生活和科学研究中都具有重要意义。

在计算能力不足的时期，研究人员通常使用惯性测量单元（IMU）传感器[5]、激光雷达传感器[6]和深度相机[7]来获得3D人体姿势。但是IMU和深度相机非常麻烦，无法在日常生活中广泛使用。此外，激光雷达传感器用于估计3D姿态是昂贵的。随着计算机科学和深度学习的发展，越来越多的科学家更喜欢直接利用深度学习算法来开发成像传感器，这是经济有效的。现有工程一般分为两部分：（1）直接估计方法[8，9]和（2）2D到3D提升方法[10-18]。直接估计方法利用图像作为输入以直接推断3D关节而没有任何2D中间表示，而2D到3D提升方法从中间估计的2D姿态推断3D人体姿态。受益于2D HPE的最新进展，2D到3D提升方法正在迅速发展，并且通常优于直接估计方法。然而，映射到3D的这些2D姿态是不适定问题。由于深度模糊性，可以从相同的2D姿态映射各种潜在的3D姿态。为了缓解这个问题并提高估计性能，最近的工作集中在使用来自视频的时间信息来预测3D人体姿态。例如，Chen et al.[12]和Liu et al.[11]利用卷积神经网络从连续视频帧中捕获全局时间连接。然而，这些方法通常取决于核大小和感受野的大小，并且它们自身的时间联系有限。Zeng等人[17]利用卷积神经网络来分割和重组人体，以便更好地概括罕见和不可见的姿势。Hossain等人[18]使用递归网络来达到类似的效果，但它们受到高计算复杂度的限制。

 基于上述调查，在我们的工作中，我们提出了一个基于变换器的网络称为增强多假设交互变换器（EMHIFormer）。我们的框架旨在提高跨层交互能力，加强不同假设之间的联系，并自适应地调整回归头中的信道权重以获得更好的性能。为了实现以上这些，我们提出了跨层多假设生成模块（CMHG），跨假设细化模块（CHR）和增强回归头（ERH）。详细地说，我们的CMHG模块包含级联变压器，它添加了不同块之间的连接，以整合来自前一层的时空信息，并从每个变压器层的输出建立更全面的假设。此外，我们认为不同的假设也包含一些内在的联系，所以我们提出CHR，以建立一个桥梁之间的各种假设之间的并联变压器。此外，我们利用ERH回归最终输出，而不是传统的回归头。我们的ERH包括一个1D卷积层和一个1D增强归一化层。与传统的归一化方法不同，我们不使用层归一化[16]或传统的批量归一化（BN）类方法[19，24]，而是使用1D增强批量归一化（EBN），其结合BN和通道注意力，自适应地调整通道权重以输出更好的3D人体姿态。

此外，为了快速收敛和稳定下降，我们提出了一个组合损失，以获得更鲁棒的结果。我们对3D人体姿态估计的贡献可以总结如下：

·为了建立丰富的假设信息，我们提出了一种级联Transformers的CMHG模型，该模型在Transformers层之间增加了桥梁，以整合前一层的时空信息，增强了假设生成能力。

·为了加强各种假设之间的联系，我们设计了CHR模块，通过并行的Transformers建立了对各种假设的访问，以集成不同特征。

·为了适应性地调整信道权重以获得更好的3D姿态，我们设计了ERH，该ERH结合了1d卷积层和EBN，以在每个批次中分配不同的权重。

·为了获得更稳健的结果，我们提出了一种快速收敛和稳定下降的组合损失。

方法

图1示出了EMHIFormer的概述。通过利用一个off-theself 2D姿态检测器来推断从视频的2D姿态，我们的方法应用一个基于变换器的结构，以充分利用空间和时间信息与多个假设。为此，我们提出了CMHG、CHR和ERH，并利用CHI来完成不同假设之间的信息交互。

1.初步

在我们的工作中，我们采用Transformer结构来回归三维人体姿态估计坐标。接下来，我们简要给予了Transformer的核心部分：多头自注意（MSA）和多层感知器（MLP）。

在MSA中，查询、键和值是输入x∈Rn*d的线性映射值，其中表示序列长度，表示维数。𝑛𝑄𝐾𝑉，然后，MSA的过程可以表示为：

其中表示注意头的数目，w0∈R n×n是 MSA中的线性投影权值。𝑛MLP由两个线性层组成，并且其可以被计算为：

其中是激活函数，1和2是线性层中的两个权重，1和2是两个偏置参数。b1,b2是两个偏置参数

2.跨层多假设生成

在图1（a）中，我们示出了CMHG的架构，其由级联变压器组成。CMHG不仅能够生成各种假设，而且能够在不同Transformer模块之间搭建桥梁，提取更丰富的信息，增强信息交互。首先提供二维坐标序列作为输入，然后将维数转换为，其中和J分别表示框架数和关节数𝑁，其次，我们应用一个可学习的空间位置嵌入𝐸𝑆𝑃𝑜𝑠来标记二维序列的输入顺序。第三，嵌入的特征被输入到我们的CMHG，以产生丰富的假设。假设存在M个不同的假设、h1个注意力头和L1个CMHG层，则可以公式化为：

然而，这些特征仅包括空间信息并且需要提取时间信息以进一步增强。

3.交叉假设精化

CHR如图1(b)所示，其由并联的Transformer块组成。与CMHG不同，CHR的目标是将各种假设联系起来，以更好地提取时间维度上的特征。为了加强假设之间的关系，我们建立了一个连接的每一个注意力分数从不同的假设。首先，通过应用全连通层将1嵌入到高维特征。第二，将可学习的时间位置嵌入。第三，将嵌入特征应用于CHR，旨在进一步增强每个假设的表达能力。对于包含M个假设的输出，为了在它们之间交换信息，我们将M假设合并并应用到假设混合MLP（HM_MLP）中以混合它们自己。假设CHR中存在H2个注意头和L2个层，则可以公式化为：

 4.交叉假设交互作用

我们在CHR中引入假设间的连接来改善假设细化中假设间的信息融合，使细化的特征更好。然而，仍然缺乏与假设之间的信息交互的能力。接下来我们使用CHI专门用于假设间信息交互，其架构如图1所示。。它包括多假设交叉注意（MHCA）和HM_MLP。具体地，MH-CA由多个平行的多头交叉注意（MCA）组成，其测量交叉假设特征和MCA的结构之间的相关性，如图所示（右）。与利用不同的键和值作为输入的多重自我注意（MSA）不同，MCA交替地采取不同的假设作为键、查询和值的输入。因此，MH-CA的过程可以计算为：

5.增强型回归头

ERH由一维卷积层和一维增强型BatchNorm（EBN）构建，以自适应地调整信道权重以获得更好的3D姿态。传统BN由两部分组成：批量归一化步骤和重加权步骤。将在批归一化步骤中计算各批次的平均值和方差。步骤1可以计算为：

其中和分别表示第B批的平均值和标准偏差，1表示归一化结果。接下来，在步骤2中，设置两个可学习参数和以缩放和移位归一化张量1。𝛽最终BN输出 2计算为：

除了上面的传统BN，我们的增强BN结合频道注意力，以调整每个批次的频道特性，如图所示。1（d）。首先，采用一维平均池化1dAVG（·）来捕获全局特征。平均后的结果为3，计算如下：

特别是，与一些主流渠道关注不同，我们没有使用全连接层，而是使用两个可学习的参数1和1来调整每个批次。此外，利用激活函数对调整值作为门。最后，上面的输出作为权重馈送到1。它可以被公式化为：

其中sig（⋅）表示激活函数，∈ R×（⋅）是EBN的输出。𝑀𝑆𝑂𝑆𝑖𝑔𝑚𝑜𝑖𝑑然后，通过一维卷积层，我们提取中间帧作为最终结果。

6.损失函数

采用端到端的损耗函数对整个网络进行训练。为了快速收敛和稳定下降，我们提出了一种组合损失，其中包括MPJPE和L1损失。因此，最终损失函数f被定义为：

实验

实现细节

我们利用来自2D姿态检测器[29]和2D地面实况的2D关键点来判断我们的结构的结果。为了公平比较，我们选择了81帧和351帧的Human3.6M比较我们的方法与其他MPJPE和P-MPJPE下。我们用Amsgrad优化器训练了我们的模型25个时期。初始学习率设置为0.001，收缩因子为0.95，并且每5个时期下降50%以快速收敛。为了保存内存消耗，我们利用了NVIDIA的混合精度训练。特别是，所有实验都是在单个GeForce RTX 3090 GPU（24 G）上使用PyTorch 1.8.0实现的。

结论

提出了一种基于变换器的三维人体姿态估计模型EMHIFormer（Enhanced Multi-Hypothesis Interaction Transformer），该模型通过更丰富的假设整合来推断三维人体坐标。我们在不同的Transformer层之间建立连接，加强多个假设之间的关系，并利用增强的回归头自适应地调整通道权重，以获得更好的3D人体姿势。大量的实验结果表明，我们的模型具有竞争力的性能，三维人体姿态估计。