题目: [[Convolutional Pose Machines - CVPR2016]](http://arxiv.org/abs/1602.00134)
作者: Shih-En Wei, Varun Ramakrishna, Takeo Kanade, Yaser Sheikh
团队: The Robotics Institute Carnegie Mellon University

Code - Caffe
Code - TensorFlow 1.0+

基于序列化的全卷积网络结构，学习空间信息和纹理信息，估计人体姿态.

• Pose Machines 是一种序列化的预测框架，可以学习信息丰富的空间信息模型.
• Convolutional Pose Machines(CPMs) 是将 Convolutional Network 整合进 Pose Machines，以学习图像特征和图像相关(image-depenent)的空间模型，估计人体姿态.
• CPMs 对 long-range 范围内变量间的关系进行建模，以处理结构化预测任务，如，人体姿态估计.
• CPMs 是由全卷积网络组成的序列化结构，卷积网络直接在前一阶段的置信图(belief maps)操作，输出越来越精细化的关节点位置估计结果；
• CPMs 能够同时学习图像和空间信息的特征表示；且，不需要构建任何显式的关节点间关系模型；
• 中间监督 loss 解决梯度消失(vanishing gradients)问题.
• end-to-end with backpropagation.

CPMs 由全卷积网络序列化组成，并重复输出每个关节点的 2D 置信图. 每一个stage，采用图像特征和上一 stage 输出的2D置信图作为输入.

置信图为后面的阶段提供了每个关节点位置的空间不确定性(spatial uncertainty)的非参数编码，使得 CPM 可以学习到丰富的与图像相关的关节点间关系的空间模型.

以 CPM 的某个特定 stage 为例： 关节点置信图的空间信息，为后续 stage 提供了很无歧义的线索信息. 因此，CPM 的每个 stage 都可以输出越来越精细的关节点置信图，如 Figure 1.

为了捕捉关节点间 long-range 的相互关系，CPMs 中每个 stage 的网络设计的启发点是：同时在图像和置信图上得到大的接受野(large receptive field).

1. Pose Machines

记 $Y_p\in \mathcal{Z}$ 表示关节点 p 的像素位置，$\mathcal{Z}$ 是图片内所有的关节点位置 $${ (u,v) }$ 集合.

人体姿态估计的目标：预测图片中 P 个人体关节点位置 $${ Y = (Y_1, ..., Y_P) }$.

Pose Machine 由 multi-class 预测器序列组成，如下图，$g_t(\cdot )$ 是待训练模型，分类器，用于预测每一 level 中各人体关节点位置.

在每个 stage $t\in \{1,...,T\}$，分类器 $g_t$ 输出每个关节点位置的置信 $Y_p=z,z\in \mathcal{Z}$. 分类器 $g_t$ 是基于在图像位置 z 所提取的特征为 ${\mathbf{x}}_z\in R^d$，以及先前 stage 分类器输出的 $Y_p$ 邻域的空间内容信息，进行分类的.

stage t=1 时，分类器 $g_1$ 输出的关节点置信值：

$g_1({\mathbf{x}}_z)\to \{b_1^p(Y_p=z){\}}_{p\in \{0,...,P\}}$ (1)

其中，$b_1^p(Y_p=z)$ 是分类器 $g_1$ 是 stage 1 中判定第 p 个关节点在图像位置 z 时的预测分数score.

记在图片每个位置 $z=(u,v{)}^T$ 关节点 p 的所有置信分数为 ${\mathbf{b}}_t^p\in R^{w\times h}$，w 和 h 分别为图片的宽和高，则：

${\mathbf{b}}_t^p[u,v]=b_t^p(Y_p=z)$ (2)

简便起见，将所有关节点的置信图(belief maps) 集合记为：${\mathbf{b}}_t\in R^{w\times h\times (P+1)}$ ( P 个关节点加上一个背景类.)

stage t > 1 时，分类器基于两种输入来预测图片关节点位置的置信：

输入1 - 图片特征 ${\mathbf{x}}_z^t\in R^d$
输入2 - 前一 stage 分类器输出的空间内容信息(contextual information)

$g_t({\mathbf{x}}_z^{\mathrm{\prime }},{\psi }_t(z,{\mathbf{b}}_{t-1}))\to \{b_t^p(Y_p=z){\}}_{p\in \{0,...,P+1\}}$ (3)

其中 ${\psi }_{t>1}(\cdot )$ 是置信 ${\mathbf{b}}_{t-1}$ 到上下文特征的映射.

每个 stage，计算的置信beliefs 对每个关节点的估计越来越精细化.

这里，后续 stage 所用到的图像特征 ${\mathbf{x}}^{\mathrm{\prime }}$ 与 stage t=1 所用到的图像特征 $\mathbf{x}$ 是不同的.

Pose Machine 采用 boosted random forests 作为分类器($g_t$)，手工设计所有 stages 的图像特征 ${\mathbf{x}}^{\mathrm{\prime }}=\mathbf{x}$，手工设计特征图feature maps ${\psi }_t(\cdot )$ 来学习所有 stages 的空间信息.

2. Convolutional Pose Machines - CPMs

CPM 同时利用深度卷积网络的优点，和 Pose Machine 框架的空间建模.

CPM 结构如图：

根据源码给出的 deploy.prototxt，CPM 部署时是 multi-scales 的，处理流程：

[1] - 基于每个 scale，计算网络预测的各关节点 heatmap；

[2] - 依次累加每个关节点对应的所有 scales 的 heatmaps；

[3] - 根据累加 heatmaps，如果其最大值大于指定阈值，则该最大值所在位置 (x,y) 即为预测的关节点位置.

2.1. Stage t = 1 时关节点定位

stage t = 1 时， CPM 根据图片局部信息(local image evidence)预测关节点. 利用图片局部信息local，是指，网络的接受野被约束到输出像素值的局部图片块. 如图：

输入图片 368 × 368，卷积层不改变 feature maps 的 width 和 height，经三次 pooling 层，输出的 feature maps 大小 46 × 46，共 P + 1 个 feature maps.

The receptive field of the network shown above is 160 × 160 pixels. The network can effectively be viewed as sliding a deep network across an image and regressing from the local image evidence in each 160 × 160 image patch to a P + 1 sized output vector that represents a score for each part at that image location.

$t\ge 2$ 时网络的输出是一致的，都是 46 × 46 × (P+1) 的 feature maps.

2.2. Stage t > 1 时关节点定位

启发点：关节点的置信图(belief maps)，尽管存在 noisy， 但却是包含有用信息的. 如图：

Figure 3. belief maps 的空间信息. 容易检测的关节点可以为难以检测的关节点提供有用信息. (shouler, neck, head) 关节点，对于 (right elbow) 后续 stages 的 belief maps 来说，有助于消除其错误的估计(red)，并提升其正确估计(green).

在 stage t > 1 时，分类器 $g_{t>1}$ 可以利用在图像位置 z 的周围区域存在一定 noisy 的 belief maps 的空间内容信息(spatial context)，根据关节点一致性几何关系，提高分类器的预测效果.

A predictor in subsequent stages ($g_{t>1}$) can use the spatial context ( ${\psi }_{t>1}(·)$) of the noisy belief maps in a region around the image location z and improve its predictions by leveraging the fact that parts occur in consistent geometric configurations.

t = 2 时，分类器 $g_2$ 的输入如图，包括：

输入1: - 原始图片特征 ${\mathbf{x}}_z^2$；
输入2: - 卷积结果；先前 stage，对每个关节点的 beliefs，通过特征函数 $\psi$ 计算的到的特征；
输入3: - 生成的 center 的 Gaussian 中心约束( Caffe 实现中给出)

t > 2 时，分类器 $g_{t>2}$ 的输入，不再包括原始图片特征，而是替换为上一层的卷积结果，其它的输入与 t=2 相同. 也是三个输入.

特征函数 $\psi$ 的作用是对先前 stage 不同关节点的空间 belief maps 编码.

CPM 没有显式函数来计算空间内容特征，而是，定义特征函数 $\psi$ 作为分类器在先前 stage 的 beliefs 上的接受野(receptive field).

网络设计的原则是：在 stage t=2 网络的输出层的接受野是足够大的，以能学习不同关节点间的复杂和 long-range 关联性.

CPM 介绍了关于大接受野的好处，接受野对于精度的影响，如图：

大接受野的两种方式:
[1] - 采用 pooling 操作， 会牺牲精度precision；
[2] - 增大 kernel size，会使参数量增加，训练时出现梯度消失的风险.

stage $t\ge 2$ 时，网络结构及对应的接受野如图：

stride-8 网络与 stride-4 的精度一样高，更容易得到大的接受野.

3. CPM 训练

CPM 每个 stage 都会输出关节点的预测结果，重复地输出每个关节点位置的 belief maps，以渐进精细化的方式估计关节点. 故，在每个 stage 输出后均计算 loss，作为中间监督 loss，避免梯度消失问题.

关节点 p 的 groundtruth belief map 记为：$b_{\ast }^p(Y_p=z)$，是通过在每个关节点 p 的 groundtruth 位置 (x, y) 放置 Gaussian 函数模板的方式得到,

如：

template<typename Dtype>
void DataTransformer<Dtype>::putGaussianMaps(Dtype* entry, Point2f center, int stride, int grid_x, int grid_y, float sigma){
  //LOG(INFO) << "putGaussianMaps here we start for " << center.x << " " << center.y;
  float start = stride/2.0 - 0.5; //0 if stride = 1, 0.5 if stride = 2, 1.5 if stride = 4, ...
  for (int g_y = 0; g_y < grid_y; g_y++){
    for (int g_x = 0; g_x < grid_x; g_x++){
      float x = start + g_x * stride;
      float y = start + g_y * stride;
      float d2 = (x-center.x)*(x-center.x) + (y-center.y)*(y-center.y);
      float exponent = d2 / 2.0 / sigma / sigma;
      if(exponent > 4.6052){ //ln(100) = -ln(1%)
        continue;
      }
      entry[g_y*grid_x + g_x] += exp(-exponent);
      if(entry[g_y*grid_x + g_x] > 1) 
        entry[g_y*grid_x + g_x] = 1;
    }
  }
}

每个 stage 的 Loss 函数：

$$f_t=\sum _{p=1}^{P+1}\sum _{z\in \mathcal{Z}}||b_t^p(z)-b_{\ast }^p(z)|{|}_2^2$$

最终计算的 loss：

$$\mathcal{F}=\sum _{t=1}^T{f}_t$$

所有的 stage $t\ge 2$ ，共享图像特征 ${\mathbf{x}}^{\mathrm{\prime }}$. (Caffe 实现中 T=6.)

MPII 数据增强处理：

• 随机旋转图片 [-40, 40]
• 图片缩放 [0.7, 1.3]
• 水平翻转

4. 分析与实验

4.1 中间监督 loss 对于梯度消失的作用

4.2. 实验结果

5. Related

[1] - 【人体姿态】Convolutional Pose Machines