论文笔记：Towards accurate multi-person pose estimation in the wild（G-RMI）

1、摘要

作者提出了新的自顶向下的多人姿态估计方法。首先使用 $Faster~RCNN$Faster RCNN 预测可能包含人体目标的边界框的位置和大小。然后估计每个提议边界框可能包含的关键点。使用全卷积 $ResNet$ResNet 预测每个关键点的密度热图和偏移量。为了合并输出，作者引入了一种新的聚合过程来获得高度定位的关键点预测。作者还使用了一种新形式的基于关键点的非最大值抑制，而不是更粗糙的框级非最大抑制，以及一种新形式的基于关键点的置信度得分估计，而不是框级得分。

2、方法

如图 $1$1 所示为算法处理过程。

---

2.1、人体检测

使用空洞卷积替代的 $ResNet-101$ResNet−101 作为 $Faster~RCNN$Faster RCNN 检测器网络主骨，输出步长等于 $8$8 像素。

---

2.2、姿态估计

姿态估计器在给定人体边界框的基础上预测 $17$17 个人体关键点。对于每个空间位置，首先分类它是否在每个关键点附近（称之为“热图”），然后预测二维局部偏移向量，以获得相应关键点位置的更精确估计。

如图 $2$2 所示，每个关键点对应 $3$3 个输出通道。

图像裁剪：首先通过扩展人体检测器返回的盒子的高度或宽度，使所有盒子具有相同的固定纵横比，而不扭曲图像纵横比。然后进一步扩大框来包含图像上下文：评估时缩放因子等于 $1.25$1.25，训练时，缩放因子在 $1.0$1.0 到 $1.5$1.5 之间。之后将图像高度调整为 $353$353，图像宽度调整为 $257$257。纵横比为 $353/257=1.37$353/257=1.37。

---

热图和偏移预测：使用全卷积的 $ResNet-101$ResNet−101 产生热图（每个关键点一个通道）和偏移（每个关键点两个通道，$x$x 和 $y$y），一共 $3K$3K 个通道，$K=17$K=17 为关键点数量。使用空洞卷积产生 $3K$3K 个预测，输出步长为 $8$8 像素，并使用双线性插值上采样至 $353\times257$353×257。

若第 $k$k 个关键点定位于 $x_i$xi​，$f_{k}\left(x_{i}\right)=1$fk​(xi​)=1，否则为 $0$0。对每个位置 $x_i$xi​ 每个关键点 $k$k，计算概率 $h_{k}\left(x_{i}\right)=1$hk​(xi​)=1，如果 $| | x_{i}-l_{k}| | \leq R$∣∣xi​−lk​∣∣≤R，即，到第 $k$k 个关键点的位置 $l_k$lk​ 在半径为 $R$R 的盘内。生成 $K$K 个这样的热图，为每个位置和关键点独立解决二分类问题。

除了热图，为每个位置 $i$i 和每个关键点 $k$k 生成 $2-D$2−D 偏移向量。$F_k(x_i)=l_k-x_i$Fk​(xi​)=lk​−xi​。一共生成 $k$k 个这样的向量场，分别为每个位置和关键点求解回归问题。

生成热图和偏移场后，将两者结合生成高度局部化**图 $f_k(x_i)$fk​(xi​)：
$f_{k}\left(x_{i}\right)=\sum_{j} \frac{1}{\pi R^{2}} G\left(x_{j}+F_{k}\left(x_{j}\right)-x_{i}\right) h_{k}\left(x_{j}\right)\tag1$fk​(xi​)=j∑​πR21​G(xj​+Fk​(xj​)−xi​)hk​(xj​)(1)
其中，$G()$G() 为双线性插值核。这是霍夫投票的形式：图像裁剪网格中的每个点 $j$j 投下一张投票，并对每个关键点的位置进行估计，投票由它在相应关键点的影响盘中的概率加权得到。归一化因子等于盘面积，并确保如果热图和偏移是完美的，那么 $f_k(x_i)$fk​(xi​) 将是以第 $k$k 个关键点的位置为中心的单位质量的 $\delta$δ 函数。

该过程如图 $3$3 所示。

---

训练：使用两个卷积输出头，一个输出 $sigmoid$sigmoid 函数产生概率热图 $h_k(x_i)$hk​(xi​)。训练目标是 $0$0 和 $1$1 组成的热图。相应的损失函数 $L_h(\theta)$Lh​(θ) 分别是每个位置和关键点的 $logistic$logistic 损失之和。为加速训练，在 $ResNet$ResNet 第 $50$50 层添加中间监督。

偏移损失为：
$L_{o}(\theta)=\sum_{k=1 : K} \sum_{i :\left\|l_{k}-x_{i}\right\| \leq R} H\left(\left\|F_{k}\left(x_{i}\right)-\left(l_{k}-x_{i}\right)\right\|\right)\tag2$Lo​(θ)=k=1:K∑​i:∥lk​−xi​∥≤R∑​H(∥Fk​(xi​)−(lk​−xi​)∥)(2)
其中，$H(u)$H(u) 为 $Huber$Huber 鲁棒损失，$l_k$lk​ 为第 $k$k 个关键点位置，仅计算每个关键点半径 $R$R 的盘内的位置 $x_i$xi​ 的损失。最终损失函数为：
$L(\theta)=\lambda_{h} L_{h}(\theta)+\lambda_{o} L_{o}(\theta)\tag3$L(θ)=λh​Lh​(θ)+λo​Lo​(θ)(3)
其中，$\lambda_h=4$λh​=4，$\lambda_o=1$λo​=1。计算一个 $minibatch$minibatch 中所有图像的损失和，然后随机梯度下降。

模型训练中的一个重要考虑是，在热图损失的计算中，如何处理图像裁剪中存在多人的情况。当计算中间层的热图损失时，作者排除了背景人关键点周围盘中的贡献。当计算最后一层的热图损失时，我们只将前景人关键点周围盘内视为正的，而将其他一切视为负的，这迫使模型正确预测框中央人物的关键点。

---

姿态重打分：测试时，将模型用于每个图像裁剪，而不是仅依赖人检测器置信度。考虑每个关键点置信度。最大化位置，平均化关键点产生最终实例级姿态检测分数。
$\operatorname{score}(\mathcal{I})=\frac{1}{K} \sum_{k=1}^{K} \max _{x_{i}} f_{k}\left(x_{i}\right)\tag4$score(I)=K1​k=1∑K​xi​max​fk​(xi​)(4)

---

基于 OKS 的非最大抑制：使用目标关键点相似度来度量两个候选姿态检测是否重叠。姿态估计器输出处的更精细的 $OKS-NMS$OKS−NMS 更适合于确定两个候选检测是对应于 $FP$FP （同一个人的双重检测）还是 $TP$TP（两个人彼此非常接近）。

---

3、实验

---

4、总结

1. 热图和偏移场生成方法
2. 姿态重打分
3. 基于 OKS 的非最大抑制