【姿态估计论文阅读】Multi-Scale Structure-Aware Network for Human Pose Estimation

          

前言：这是ECCV2018的文章，也是MPII目前的top 结果。这篇文章，用了很多“中继监督",本文的主要思想是结合“多尺度信息”，把这个体现到loss中，并且对多尺度信息进行结合，利用这一点来提升feature 效果。同时也引入了人体的结构信息，不像以前都是单个keypoint的heatmap 单独预测，本文还预测一种关联heatmap。还提出了一种keypoint的mask training来应对遮挡！

主要工作意义：

      这篇文章的主要工作内容，在我看来是去探讨 如何提升“深度神经卷积网络” 对于困难情况下的姿态估计！比如遮挡！以及尺度变换带来的影响！因为尺度变换会导致部分关键在 ”低分辨率的feature map“ 上消失？

      本文认为，目前的state-of-the-art 的DNN-based 方法存在以下一些问题： 

             1、尺度不稳定：不是很明白这里为什么要说SSD，SSD框了之后难道不是在原图上截取嘛?  作者也说了，在deconv的金字塔种，网络会去对于某一个特定尺寸过拟合？也没看懂是为啥？

            2、前人的工作没用上“pose的结构信息”（这个的话只能是指利用CNN的这些前人工作）：解决这个问题，可以有效的让模型在真实多人情况下，遮挡情况下等多种复杂情况下有着更好的泛化能力。occlusions and matching ambiguities are the bottlenecks

               

整体的结构：

          

    这张图是整个网络的整体结构，看起来也不算复杂，只是东西有点多，给了很多定义！整个网络依然是基于Hourglass 改造而成的。

    MSS-Net(multi-scale supervision network):其实长相上和Hourglass几乎一模一样，但是加入了Multi-Scale Supervision，也就是在Hourglass本身的deconv过程中浅层deconv也进行监督。从浅层的deconv features 到 heatmap 中间是否加入了headconv层，没有特别说明！但是从这个结构看，应该是非常消耗显存的！！！主要是起到一个优化scale带来的不利因素！多尺度的特征学习可以更好的捕捉身体关键点的局部上下文特征！当然deconv-pyramid也是一个“coarse-to-fine”的过程，加上了loss监督，其实和“attention mechanism”这种机制有相似之处，让网络在训练过程中，利用loss来保持某些local的关注去着重优化那部分。

    MSR-Net（multi-scale regression network）：这里就是把最后一个MSS-Net的deconv pyramid的结果以及输出结合concat之后再去regression到最终结果。MSR-Net利用的是MSS-Net的输出，结合了不同scale的信息，更好的去还原，以及定位更加准确！

                   

    structure-aware loss：

     

   前一部分表示普通的keypoint heatmap作为groundtruth，后一部分表示Structure-Aware heatmap作为groundtruth，可以上上图中看到这个groundtruth的设定！

 

 Keypoint Masking Training：

这里也是采用了数据增广的思想，但是普通的数据增广没有办法有效的去针对“遮挡”这种情况来增强网络的泛化能力与预测能力。通过去生成关键点被遮挡的情况的数据，人工去遮挡某些关键点，另一种是把关键点patch，拷贝到图中其他区域，来制造常见的一种情况“多关键点match成人”！

剩下的就是常规的数据增广方法，