全新轻量化模型 | 轻量化沙漏网络助力视觉感知涨点

1、简介

人体姿态估计（HPE）是计算机视觉中的一项经典任务，它主要通过识别人的关节的位置来表示人的方向。HPE可以用来理解和分析人类的几何和运动相关信息。Newell等人在Mask3D中提出的堆叠沙漏架构是第一个基于深度学习的HPE方法之一，因为经典方法在此之前主导了HPE文献。

在这项工作中，利用重复的自下而上和自上而下的处理，从不同的尺度上捕获信息，并引入中间监督，在每个阶段迭代细化预测。与当时最先进的方法相比，这导致了准确性的显著提高。

然而，HPE应该是一个实时的应用程序，因为它经常被用作另一个模块的前身。因此，在这种情况下，关注计算效率是至关重要的。在本研究中对堆叠的沙漏网络进行了架构和非架构修改，以获得一个既准确且计算效率高的模型。

在下文中对基线模型进行了简要描述。原始架构由多个堆叠的沙漏单元组成，每个沙漏单元由4个下采样和上采样级别组成。在每一级，通过残差块和最大池化操作实现下采样，而通过残差块以及朴素最近邻插值实现上采样。该过程确保模型捕获局部和全局信息，这对于连贯地了解全身以获得准确的最终姿态估计非常重要。在每个最大池化操作之后，网络分支以预池化分辨率通过另一个残差块应用更多卷积，其结果作为跳过连接添加到沙漏后半部分的相应上采样特征图。模型的输出是每个关节的热图，该热图对每个像素处关节存在的概率进行建模。预测每个沙漏后的中间热图，并对其应用损失。

此外，这些预测被投影到更多的通道，并作为后续沙漏的输入，以及当前沙漏的输入及其特征图输出。

源代码：https://github.com/jameelhassan/PoseEstimation

2、设计选择

2.1 深度可分离的卷积

深度可分离卷积取代传统卷积，减少卷积运算的参数数量。这是通过使用空间卷积单独分割卷积，然后通过点态卷积聚合通道信息来实现的，如图1所示。

2.2 空洞卷积

公式1中描述的空洞卷积是常规卷积运算的一种变体，其具有指数增加感受野而不损失分辨率或覆盖范围的能力，如池化运算的情况。

其中k是离散滤波器，

是空洞因子，

是

空洞卷积运算。正则卷积对应于一维卷积。扩展卷积对计算复杂性几乎没有影响。

2.3 Ghost Bottleneck

Ghost 提出的Ghost Bottleneck也通过以不同的方式分割卷积，降低了卷积操作的计算复杂度。为了产生固定数量的通道，Ghost Bottleneck使用常规卷积输出一小部分通道，其余的则通过更简单的线性操作产生，如图2所示。这些通道通过连接和卷积输出所需的通道数量。

2.4 DiCE Bottleneck

Dimension-wise Convolutions for Effificient Networks（DiCE）单元是由Mehta等人在DiceNet中提出的一个卷积单元，它融合了维向卷积之后和维向融合。卷积操作应用于三个输入维度（宽度、高度和深度）。为了沿着每个维度组合编码的信息，使用了一个有效的融合单元来组合这些表示。因此，直径单元可以有效地沿着空间尺寸和通道尺寸捕获信息。

2.5 Shuffle Bottleneck

shuffle单元首次在Shufflflenet中提出，它使用点卷积和通道Shuffle来提高计算效率和保持准确性。

2.6 Perceptual Loss

感知损失被用来比较带有微小差异的相似图像。在这里使用它作为两幅图像之间的特征水平均方误差（MSE）损失，它计算一个高级特征图的损失，而不是原始图像空间。

这里的假设是，如果第一个沙漏在高特征水平上“感知”第二个沙漏“感知”的东西，网络的整体性能将会得到改善。总损失，如式2所示，包括感知损失和预测损失中权重较高的原始预测损失。

2.7 Residual connections

作者还用带有Concat的残差连接替换带有add的残差连接操作，然后进行逐点卷积，以获得所需数量的通道，称为「ResConcat」。还包括从沙漏最窄的特征图（颈部）到下一个沙漏颈部的残差连接，称为「NarrowRes」。

3、实验

3.1 Alternative bottlenecks

4、参考

[1].To Perceive or Not to Perceive: Lightweight Stacked Hourglass Network.

免责声明

凡本公众号注明“来源：XXX（非集智书童）”的作品，均转载自其它媒体，版权归原作者所有，如有侵权请联系我们删除，谢谢。