标签：SPPE RMPE Regional 检测 Pose SSTN 姿态 人体

       alphapose系统是以RMPE区域多人姿态估计为框架的多人姿态估计系统。复杂环境中的多人姿态检测是非常具有挑战性的，现在最好的人体检测算法虽然已经得到了很好的效果，但是依然存在一些错误，这些错误会导致单人检测任务（SPPE）失败，尤其是那些十分依赖人体框检测结果的。

背景

       当前姿态估计主流为两种方法，第一种是两步法，先检测人体边界盒，再单独估计一个盒子内部的姿态，另一种是基于部分的框架，单独估计人体的各个部分，再将这些部分分给各个人，这种方法失去了全局意识。RMPE采用了自顶向下的方法，在两步法的基础上进行了改进来解决问题，最大化SPPE的作用。

框架

       RMPE框架主要包含三个部分——SSTN，PGPG，NMS。SSTN主要是解决生成的姿态不够精确的问题。SSTN能够自动调节输入SPPE的图像，再将估计的姿态输出回原空间。主要任务就是在不怎么准确的bounding box中提取高质量的单人姿态。PGPG是由姿态引导的样本生成器， 学习不同姿态下人体检测器的输出分布，模拟人体边界盒的生成，用来增强训练数据。NMS是一个非极大值抑制器，用来消除冗余姿态。

       RMPE应用实验中将人体边界框在长宽方向上延长30%，确保将整个人完整的框起来。经过STN网络将延伸过的图像进行仿射变换，生成一个比较精确的、适合SPPE的输入，把SPPE的输出经过SDTN进行反向变换，把坐标变换回原来的坐标系中，完成识别过程。最终再经过NMS进行改进，消除冗余，得到最终姿态。

       SSTN：STN接受一个由定位网络生成的参数θ，通过2D仿射运算生成一个更适合输入SPPE的区域，SPPE输出的姿态形成于STN输入的图像中，再通过SDTN返回原图坐标中，SDTN所需要的参数γ由STN传送过来的θ得到。

       Parallel SPPE：在训练阶段添加一个Parallel SPPE分支，在测试阶段会去除。通常SDTN的补偿会使网络产生更少的错误，从而产生局部最小值，而这些错误是训练STN所必须的。Parallel SPPE相当于一个正则化器，避免局部最小值的出现。正则化防止过拟合，过拟合是指学习的太彻底，将误差也学习进去了。

       PGPG：为了使SSTN+SPPE能够适应检测出来形状奇怪的检测结果，我们已经有了每一个人的真实位置和检测出来的定位框，我们可以通过他们一致的样本生成一个大样本的训练集。通过这种技术，我们可以进一步提高系统的性能。

       Parametric Pose NMS：在定位过程中不可避免会出现冗余现象，一个人体检测出多个姿态。对一个人的姿态P，有m个关节点，其中k和c表示坐标位置和置信度分数。将有最高置信度的姿态作为参考，也就是估计值和总体参数在允许大误差范围内概率大的。靠近它的姿态通过消除标准消除，重复执行直至只剩一个姿态。

实验

       实验：将以RMPE为框架的人体姿态识别系统在MPII数据集上进行实验，将3844张图片进行训练，将1758张进行测试，存在遮挡和重叠现象。

       结果：在MPII数据集中，在识别困难的关节比如手腕、手肘、脚踝和膝盖的平均精度实现了72 mAP，比之前的最先进的结果高3.3 mAP。通过使用更强的人体探测器和姿态估计器，我们可以进一步实现82.1 mAP，其中比之前的最佳结果高4.6 mAP。

标签：SPPE,RMPE,Regional,检测,Pose,SSTN,姿态,人体
来源： https://blog.csdn.net/weixin_45436729/article/details/119349926

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。