本文主要介紹了 Face++DetectionTeam 在 2018 年做 COCO skeleton 的工作。

Background

人體關鍵點檢測（Human Keypoint Detection）又稱為人體姿態識別，旨在準確定位圖像之中人體關節點的位置，是人體動作識別、人體行為分析、人機交互的前置任務。作為當前計算機視覺不可或缺的熱門研究領域之一，人體姿態識別有著大量的落地場景和廣闊的應用前景，現有及可期的場景應用有人體步態識別、體感游戲、AI 美體、虛擬現實、增強現實、康復訓練、體育教學等等，可廣泛賦能于游戲、手機、醫療、教育、數字現實等不同領域。

人體關鍵點檢測任務對于現實生活有著很大的潛在用途，目前公開的比賽中最權威的是 MS COCO Keypoint track 的比賽，也是該領域最有挑戰的比賽，參賽隊不乏 Facebook，Google 及微軟這樣的國際巨頭，也不乏 CMU 等頂尖研究機構，是該領域最先進方法的試金石。曠視科技 Detection 組在2017，2018 年兩次奪得該比賽的冠軍，2017 年曠視 COCO Keypoint 比賽冠軍工作 CPN 在業界具有深遠影響，并獲得廣泛使用。這里，我們將介紹曠視 2018 年 COCO Keypoint 比賽奪冠的工作。

人體姿態識別主流方法目前分為兩種：單階段和多階段，雖然后者遵照從粗糙到精細的邏輯更貼合任務本質，但是目前表現似乎沒有優于單階段方法，我們認為，目前多階段方法差強人意的性能主要歸因于多種不合理的設計。我們的工作從 1）網絡設計、2）特征流、3）損失函數入手提出一系列改進措施，工作成果在 MS COCO Keypoint 數據集上超越現有方法取得當前最優結果，論文已公開于 Arxiv，鏈接請見：arxiv.org/abs/1901.0014

Introduction

圖1

深度卷積網絡出現之后，人體姿態識別飛速發展。現階段最優方法[1,2]網絡結構較為簡單，多是采用單階段網絡設計，比如 2017 COCO Keypoint 挑戰賽冠軍方法[1]采用基于 ResNet-Inception 的網絡結構，最新的 Simple Baseline[2] 采用 ResNet 網絡結構。另一種網絡結構則采用多階段網絡設計，即把一個輕量級網絡作為單元網絡，接著將其簡單地堆疊到多階段。

直觀上講，多階段的天然逐級優化特性會更適用于這個任務，但是當前存在的多階段網絡并沒有單階段網絡在 COCO 上表現好。我們試圖研究這一挑戰性問題，提出當前多階段網絡的欠佳表現主要是由于設計不足導致的，并可通過一系列 1）網絡結構、2）特征流、3）損失函數方面的創新性優化，最大化發掘多階段網絡的潛力，實現目前最先進的效果。

因此，我們提出新型的多階段姿態估計網絡 MSPN，具體改進有 3 個方面：

目前多階段網絡里的單元網絡離最優比較遠，使用已經驗證的網絡（如 Resnet）要比主流的多階段方法（如 Hourglass）采用的輕量級網絡好很多，究其原因主要是下采樣 Encoder 需要承載更多內容，而輕量級網絡滿足不了。

由于重復下采樣，上采樣會丟失信息從而不利于學習，我們提出融合多階段特征以加強信息流動，來緩解這一問題。

我們觀察到關節點的定位是逐級精細優化的，因此提出由粗到精的學習策略，并采用多尺度監督提升訓練。由圖 1 可知，當提升單階段網絡容量時，精度會趨近于飽和，而增長遇到瓶頸；對于目前主流的多階段網絡，當堆疊多于 2 個單元網絡后，精度提升非常有限。對于我們提出的 MSPN，隨著單元網絡的堆疊數增加，精度會持續提升。

在 MS COCO 基準上，MSPN 在 test-dev 數據集上獲得 76.1 AP；在 MS COCO 2018 中，test-dev 達到 78.1 AP，test-challenge 76.4 AP, 相比去年冠軍提升了 4.3 AP。

--------多階段網絡---------

圖2

多階段姿態估計網絡 MSPN 如圖 2 所示。它采用自上向下的框架，即首先使用人體檢測算法給出人體框，據此摳圖，并進行單人人體姿態估計。如上所述，MSPN 的新突破有 3 點：第一，使用圖像分類表現較好的網絡（如 ResNet）作為多階段網絡的單元網絡；第二，提出逐階段傳遞的信息聚集方式，降低信息損失；第三，引入由粗到精的監督，并進行多尺度監督。

------有效的單階段子單元網絡設計-----

表1

目前主流的多階段網絡全部基于 Hourglass 變體。從表 1 可知，Hourglass 在重復下采樣和上采樣的過程中，卷積層的通道數是相同的。這是因為高層語義信息更強，需要更多通道表征。

下采樣時，Hourglass 變體會導致特征編碼（Encoder）無法很好地表達特征，從而造成一定程度上的特征信息丟失。相比于下采樣，上采樣很難更優地表征特征，所以增加下采樣階段的網絡能力對整體網絡會更有效。

--------------跨階段特征融合-------------

圖3

多階段網絡在重復的上采樣和下采樣過程中，很容易造成信息流失，我們提出了一種有效的跨階段特征融合方法來應對這一現象。如圖 3 所示，上一階段上、下采樣的特征經過 1x1 卷積相加到后一階段下采樣部分，從而實現多階段之間的特征融合，有效緩解特征流失。

---------------由粗到精監督--------------

圖4

人體姿態估計如果要定位較有挑戰性的關節點（如隱藏關節點）需要較強的領域上下文信息。同時，對于基于回歸 heatmap 的任務，作為 GT 的高斯核越小，回歸精度越準。考慮到以上兩點，并結合多階段網絡的自身逐級遞進優化的特性，我們提出基于多階段的由粗到精的監督方式。每個階段方式的監督heatmap的高斯核逐漸減小，可較理想地兼顧領域上下文信息和精準度。由于中間監督對于深度神經網絡有較好效果[3]，我們在每個階段內部也采用了多尺度的中間監督。

-------------實驗-------------

實驗中，我們使用 MegDet [4]獲得人體檢測框，并使用 COCO（80 類）之中人這一類的結果作為人體框結果，沒有單獨針對人進行訓練。摳圖之前，框擴展為高寬 4:3 的比例。訓練中，我們采用 Adam 作為優化策略，初始學習率為 5e-4，Weight Decay 為 1e-5。數據增強方面，主要采用翻轉、旋轉（-45度～+45度）、尺度變換（0.7～1.35）。姿態估計網絡圖像輸入尺寸為 384x288。消融實驗中，圖像輸入尺寸為 256x192。測試方面，沿用 [5] 中的策略，即采用翻轉求平均，最大值位置向次大值位置偏移 1/4 作為最終位置。所有消融實驗在 COCO minival 上進行。

消融實驗

多階段網絡

我們通過一系列實驗驗證多階段網絡設計的重要性。

表2

首先，我們通過實驗觀察單階段網絡增加模型復雜度的表現。從表 2 可知，ResNet-50 作為 Backbone 的單階段網絡精度可以達到 71.5，ResNet-101 可以提升 1.6 個點，但是繼續往高增加復雜度，精度的提升幅度逐漸變小，趨近于飽和。

表3

我們同時對比了當前主流的多階段網絡 Hourglass 與該工作在精度提升方面的差異。由表 3 可知，Hourglass 在第 2 個階段以上疊加新階段提升非常有限：從 2 個階段到 8 個階段，計算量增加 3 倍，而精度只漲了 0.7 AP。相比于 Hourglass 的增長受限，MSPN 從第 2 個階段以上疊加新階段會持續提升精度。

為驗證我們對多階段網絡有效改進的泛化性，我們嘗試把其他網絡作為單元網絡。如表 4，兩階段的 ResNet-18 會稍高于相當計算量的單階段 ResNet-50 網絡。4 階段小計算量的 X-ception 網絡會比同計算量單階段的大計算量的 X-ception 網絡高出近 1 AP。

表4

跨階段特征融合以及由粗到精監督

表5

表 5 的實驗可以驗證跨階段特征融合以及由粗到精監督的有效性。對于 4 階段的 Hourglass 和 2 階段的 MSPN 借助以上兩種策略均實現漲點。

------------實驗結果-------------

表6

表7

表 6 和表 7 分別對比 MSPN 與當前最優方法在 COCO test-dev 數據集和 COCO test-challenge 數據集上的精度差異。可以看出，MSPN 均超過當前最優方法，在 test-dev 上領先2.3 AP，在 test-challenge上領先 1.9 AP。

----------------總結---------------

我們提出了針對人體姿態估計更有效的多階段網絡設計思想，并用充分的實驗驗證其有效性，該網絡在 COCO 數據集上突破當前的精度瓶頸，實現了新的 state-of-the-art。我們同時也驗證了該工作所涉及的多階段網絡設計思想的泛化性。

--------------結果例圖-----------

圖5