AlphaPose升级了!一个高效的算法来解决拥挤人群中的姿态估计问题

电子说

1.3w人已加入

描述

AlphaPose升级了!上海交大MVIG组(卢策吾团队)构建了CrowdPose数据集,用来衡量算法在拥挤场景中的性能。同时提出了一个高效的算法来解决拥挤人群中的姿态估计问题,实验结果远高于当前最好的算法。

AlphaPose升级了!



拥挤人群场景下的AlphaPose

这个实时多人姿态估计系统,现在可以处理最具挑战的拥挤人群场景了:

上海交大MVIG组(卢策吾团队)建了一个新的数据集——CrowdPose,用来衡量算法在拥挤场景中的性能;

同时提出了一个高效的算法来解决拥挤人群中的姿态估计问题:相比OpenPose提升18mAP、相比Mask-RCNN提升8mAP。

论文已被CVPR2019接收。

论文链接:

https://arxiv.org/abs/1812.00324

代码链接:

https://github.com/MVIG-SJTU/AlphaPose

CrowdPose——拥挤人群姿态估计数据集

为了衡量人体姿态估计算法的性能,学术界与工业界建立了越来越多的公开数据集,如MPII,MSCOCO和AI Challenger。然而,这些数据集的图片通常采集自日常的生活场景,缺乏拥挤人群场景的数据。

主流数据集的拥挤场景分布如图1所示。对于由数据驱动的深度学习方法来说,数据集的分布不均衡,意味着算法性能的不均衡。

深度学习

图1 主流公开数据集于CrowdPose数据集的拥挤场景数据分布。三个主流数据集的数据中,非拥挤数据占据了绝大部分比例,而CrowdPose数据集有着均匀的数据分布。

随着学术界对人体姿态研究的深入,算法追求像素级的精度,简单场景下的性能已经逐步逼近人类的精度,但在拥挤场景中往往会失效,如图2所示。

深度学习

图2 随着拥挤程度的加剧,现有开源系统的性能急剧下降。相较于非拥挤的情况,拥挤时算法性能最多下降了20mAP。

针对这样的情况,上海交大MVIG组的研究者开源了CrowdPose数据集。CrowdPose数据集中的图片,有着均匀分布的拥挤程度。既可以评估算法在日常非拥挤情况下的表现,也可以评估其在极度拥挤时的性能。

目前,数据集开源了2万张图片,评估工具也已经上线。在未来的几个月时间內,研究者将会不断扩大数据的规模,开源一个更大的数据集。

实时全局竞争匹配算法

在拥挤人群的场景下,传统的二步法模型往往会失效。主要原因在于:人群过于密集,重合程度太高,每个人的位置难以用人体检测框表示。

图3  人体检测框难以表达人的位置。

研究者们提出了一个全局竞争匹配算法,减少了姿态估计模型对于人体框的依赖,同时提高了模型对于复杂人体场景的鲁棒性,在拥挤场景中的表现超越了现有的方法。

深度学习

图4  本研究中的全局竞争匹配算法概览。模型对于每个检测到的人体框输出一系列候选关键点。人体实例与关键点实例构建成一个稀疏图模型。通过求解稀疏图模型的最佳匹配问题,可得到全局最优的人体姿态估计方案,对密集拥挤的场景有很强的鲁棒性。

研究者们设计了一个关节点候选损失函数,通过控制模型输出响应程度不同的多峰值热度图,在人体框不准确的情况下,模型尽可能地输出候选关节点可能的位置。

在得到每个人体框的候选关节点后,通过聚类与链接,消除冗余结果的同时,构建出一个人体实例-候选关节的图模型。该图模型表征了人体实例与每个关节点之间的连接关系与概率。

借助此模型,人体姿态估计问题可转化成图模型中的最佳匹配问题。由于人体姿态问题的特殊,该图模型具有很强的稀疏性,经过研究者们的分析,优化匹配问题的时间复杂度与传统的NMS算法相当。

该方法由于建立了一个全局的图模型,在匹配过程中考虑到了整体的连接方式,因此能很好地改善了二步法中缺乏全局视野的不足。

姿态估计各场景性能大幅提升

在实验中,研究者们对比了该算法与其他开源系统与算法之间的性能。

在CrowdPose数据集中,比当前最好的算法提升了5.2mAP。除此之外,在极度拥挤的子集中,提升了6.2mAP。相较于OpenPose和Detectron(Mask R-CNN)等姿态估计开源系统,性能提升的同时,运行速度快了2到3倍。

深度学习

表1 在CrowdPose数据集上的定量对比实验

深度学习

表2 三个场景子集中的性能评估与运行速度对比(简单、一般、拥挤)。

本文的方法分数提升的同时,运行速度也大大增强。

未来方向

论文中,研究者们提出了一种新的竞争匹配模型,以解决拥挤场景的人体姿态检测问题。接下来,研究者们会优化竞争匹配模型,对其他形式的拥挤检测问题(如拥挤实例分割)开展进一步研究。

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分