Face++ Detection Team在2018年做COCO skeleton的工作

本文主要介绍了 Face++ Detection Team 在 2018 年做 COCO skeleton 的工作。

Background

人体关键点检测（Human Keypoint Detection）又称为人体姿态识别，旨在准确定位图像之中人体关节点的位置，是人体动作识别、人体行为分析、人机交互的前置任务。作为当前计算机视觉不可或缺的热门研究领域之一，人体姿态识别有着大量的落地场景和广阔的应用前景，现有及可期的场景应用有人体步态识别、体感游戏、AI 美体、虚拟现实、增强现实、康复训练、体育教学等等，可广泛赋能于游戏、手机、医疗、教育、数字现实等不同领域。

人体关键点检测任务对于现实生活有着很大的潜在用途，目前公开的比赛中最权威的是 MS COCO Keypoint track 的比赛，也是该领域最有挑战的比赛，参赛队不乏 Facebook，Google 及微软这样的国际巨头，也不乏 CMU 等顶尖研究机构，是该领域最先进方法的试金石。旷视科技 Detection 组在2017，2018 年两次夺得该比赛的冠军，2017 年旷视 COCO Keypoint 比赛冠军工作 CPN 在业界具有深远影响，并获得广泛使用。这里，我们将介绍旷视 2018 年 COCO Keypoint 比赛夺冠的工作。 

人体姿态识别主流方法目前分为两种：单阶段和多阶段，虽然后者遵照从粗糙到精细的逻辑更贴合任务本质，但是目前表现似乎没有优于单阶段方法，我们认为，目前多阶段方法差强人意的性能主要归因于多种不合理的设计。我们的工作从 1）网络设计、2）特征流、3）损失函数入手提出一系列改进措施，工作成果在 MS COCO Keypoint 数据集上超越现有方法取得当前最优结果，论文已公开于 Arxiv，链接请见：arxiv.org/abs/1901.0014

Introduction

图1

深度卷积网络出现之后，人体姿态识别飞速发展。现阶段最优方法[1,2]网络结构较为简单，多是采用单阶段网络设计，比如 2017 COCO Keypoint 挑战赛冠军方法[1]采用基于 ResNet-Inception 的网络结构，最新的 Simple Baseline[2] 采用 ResNet 网络结构。另一种网络结构则采用多阶段网络设计，即把一个轻量级网络作为单元网络，接着将其简单地堆叠到多阶段。 

直观上讲，多阶段的天然逐级优化特性会更适用于这个任务，但是当前存在的多阶段网络并没有单阶段网络在 COCO 上表现好。我们试图研究这一挑战性问题，提出当前多阶段网络的欠佳表现主要是由于设计不足导致的，并可通过一系列 1）网络结构、2）特征流、3）损失函数方面的创新性优化，最大化发掘多阶段网络的潜力，实现目前最先进的效果。 

因此，我们提出新型的多阶段姿态估计网络 MSPN，具体改进有 3 个方面： 

目前多阶段网络里的单元网络离最优比较远，使用已经验证的网络（如 Resnet）要比主流的多阶段方法（如 Hourglass）采用的轻量级网络好很多，究其原因主要是下采样 Encoder 需要承载更多内容，而轻量级网络满足不了。 

由于重复下采样，上采样会丢失信息从而不利于学习，我们提出融合多阶段特征以加强信息流动，来缓解这一问题。 

我们观察到关节点的定位是逐级精细优化的，因此提出由粗到精的学习策略，并采用多尺度监督提升训练。由图 1 可知，当提升单阶段网络容量时，精度会趋近于饱和，而增长遇到瓶颈；对于目前主流的多阶段网络，当堆叠多于 2 个单元网络后，精度提升非常有限。对于我们提出的 MSPN，随着单元网络的堆叠数增加，精度会持续提升。 

在 MS COCO 基准上，MSPN 在 test-dev 数据集上获得 76.1 AP；在 MS COCO 2018 中，test-dev 达到 78.1 AP，test-challenge 76.4 AP, 相比去年冠军提升了 4.3 AP。 

--------多阶段网络---------

图2 

多阶段姿态估计网络 MSPN 如图 2 所示。它采用自上向下的框架，即首先使用人体检测算法给出人体框，据此抠图，并进行单人人体姿态估计。如上所述，MSPN 的新突破有 3 点：第一，使用图像分类表现较好的网络（如 ResNet）作为多阶段网络的单元网络；第二，提出逐阶段传递的信息聚集方式，降低信息损失；第三，引入由粗到精的监督，并进行多尺度监督。 

------有效的单阶段子单元网络设计-----

表1

目前主流的多阶段网络全部基于 Hourglass 变体。从表 1 可知，Hourglass 在重复下采样和上采样的过程中，卷积层的通道数是相同的。这是因为高层语义信息更强，需要更多通道表征。 

下采样时，Hourglass 变体会导致特征编码（Encoder）无法很好地表达特征，从而造成一定程度上的特征信息丢失。相比于下采样，上采样很难更优地表征特征，所以增加下采样阶段的网络能力对整体网络会更有效。 

--------------跨阶段特征融合-------------

图3

多阶段网络在重复的上采样和下采样过程中，很容易造成信息流失，我们提出了一种有效的跨阶段特征融合方法来应对这一现象。如图 3 所示，上一阶段上、下采样的特征经过 1x1 卷积相加到后一阶段下采样部分，从而实现多阶段之间的特征融合，有效缓解特征流失。 

---------------由粗到精监督--------------

图4 

人体姿态估计如果要定位较有挑战性的关节点（如隐藏关节点）需要较强的领域上下文信息。同时，对于基于回归 heatmap 的任务，作为 GT 的高斯核越小，回归精度越准。考虑到以上两点，并结合多阶段网络的自身逐级递进优化的特性，我们提出基于多阶段的由粗到精的监督方式。每个阶段方式的监督heatmap的高斯核逐渐减小，可较理想地兼顾领域上下文信息和精准度。由于中间监督对于深度神经网络有较好效果[3]，我们在每个阶段内部也采用了多尺度的中间监督。 

-------------实验-------------

实验中，我们使用 MegDet [4]获得人体检测框，并使用 COCO（80 类）之中人这一类的结果作为人体框结果，没有单独针对人进行训练。抠图之前，框扩展为高宽 4:3 的比例。训练中，我们采用 Adam 作为优化策略，初始学习率为 5e-4，Weight Decay 为 1e-5。数据增强方面，主要采用翻转、旋转（-45度～+45度）、尺度变换（0.7～1.35）。姿态估计网络图像输入尺寸为 384x288。消融实验中，图像输入尺寸为 256x192。测试方面，沿用 [5] 中的策略，即采用翻转求平均，最大值位置向次大值位置偏移 1/4 作为最终位置。所有消融实验在 COCO minival 上进行。 

消融实验

多阶段网络

我们通过一系列实验验证多阶段网络设计的重要性。 

表2

首先，我们通过实验观察单阶段网络增加模型复杂度的表现。从表 2 可知，ResNet-50 作为 Backbone 的单阶段网络精度可以达到 71.5，ResNet-101 可以提升 1.6 个点，但是继续往高增加复杂度，精度的提升幅度逐渐变小，趋近于饱和。 

表3

我们同时对比了当前主流的多阶段网络 Hourglass 与该工作在精度提升方面的差异。由表 3 可知，Hourglass 在第 2 个阶段以上叠加新阶段提升非常有限：从 2 个阶段到 8 个阶段，计算量增加 3 倍，而精度只涨了 0.7 AP。相比于 Hourglass 的增长受限，MSPN 从第 2 个阶段以上叠加新阶段会持续提升精度。 

为验证我们对多阶段网络有效改进的泛化性，我们尝试把其他网络作为单元网络。如表 4，两阶段的 ResNet-18 会稍高于相当计算量的单阶段 ResNet-50 网络。4 阶段小计算量的 X-ception 网络会比同计算量单阶段的大计算量的 X-ception 网络高出近 1 AP。 

表4

跨阶段特征融合以及由粗到精监督 

表5 

表 5 的实验可以验证跨阶段特征融合以及由粗到精监督的有效性。对于 4 阶段的 Hourglass 和 2 阶段的 MSPN 借助以上两种策略均实现涨点。 

------------实验结果------------- 

表6

表7

表 6 和表 7 分别对比 MSPN 与当前最优方法在 COCO test-dev 数据集和 COCO test-challenge 数据集上的精度差异。可以看出，MSPN 均超过当前最优方法，在 test-dev 上领先2.3 AP，在 test-challenge上领先 1.9 AP。 

----------------总结--------------- 

我们提出了针对人体姿态估计更有效的多阶段网络设计思想，并用充分的实验验证其有效性，该网络在 COCO 数据集上突破当前的精度瓶颈，实现了新的 state-of-the-art。我们同时也验证了该工作所涉及的多阶段网络设计思想的泛化性。 

--------------结果例图-----------

图5