【CVPR 2019】论文阅读：3D human pose estimation in video with temporal convolutions and semi-supervised tr

2023-09-27 09:52:40

2019 CVPR的文章，使用时序卷积和半监督训练的3D人体姿态估计

论文链接：https://arxiv.org/abs/1811.11742

github：https://github.com/facebookresearch/VideoPose3D

已经有前辈对这篇文章做过理解：https://www.cnblogs.com/zeroonegame/p/15037269.html

此处不介绍引言和相关工作，具体可参考前辈的阅读笔记，写的已经很好了。本文也只是做一个阅读记录。

摘要

这篇文章主要工作：

（1）使用基于空洞时序卷积的全卷积模型评估视频中的3D姿势

（2）引入了半监督训练方法，作者称为back-projection

2. 模型内容

2.1 Temporal dilated convolutional model

时序卷积模型将2D关键点序列作为输入，生成3D姿态估计，其间采用空洞卷积来提取时序信息。

关于空洞卷积，贴一个链接：https://zhuanlan.zhihu.com/p/113285797

上图为网络结构图，输入为（243，34）大小的2D关键点序列，开始为一个不完整的块，将输出通道数设置为1024，后续由四个包含残差结构的块组成，最后一层输出所有帧的的三维姿态预测。

以第一个块为例，绿色部分为卷积层，每个块前后有两个卷积层，前者的卷积核（kernel size）W大小为3，后者的为1。前者的空洞卷积超参数(dilated factor) D = W^B，B的大小取决于当前处在第几个块，如第一个块D=3^1=3，网络中则为3d3，以此类推第四个块为3d81。卷积之后经过归一化，线性函数ReLU和Dropout后输出特征。每一个块输出的特征，类似于ResNet，经过一次slice操作后又加入到下下个块中，防止梯度消失。这边的slice操作是为了匹配前后两个块的张量大小，确保能够进行残差连接。

作者主要采用的是如下图的对称卷积：

为了用于实时场景，实际是不能用到未来帧的，作者也尝试了如下图的因果卷积（causal convolutions,）

2.2 Semi-supervised approach

作者利用现成的2D关键点检测器（2D keypoint detector）和back-projection相结合，将未标注的视频产生的loss加到总loss中，以加强监督学习

2.2.1 Trajectory model

由于透视投影，屏幕中的2D姿态取决于轨迹（trajectory）和3D姿势，轨迹可以是人体根关节的全局位置，从figure 3可以看出，最后通过译码器投影出的2D姿势，包含了global position和 3D pose两部分信息。

如果没有这个全局位置信息，那么2D姿势的主体会被固定投影在屏幕的中心。因此，这边也对3D轨迹进行了回归，以正确的进行2D反向投影。

为此，优化了第二个网络，这个网络在相机空间中对gloabl trajectory进行回归，后者将其投影到2D之前加到姿势中。两个网络具有相同的架构，但不共享一套参数，因为作者发现以多任务方式训练时，两者会产生负面影响。

如果人体离相机较远，就会更加难以对起trajectory进行精确回归，因此作者优化了trajectory的加权平均关节位置误差（WMPJPE）损失函数：

使用相机空间中的真实深度值（y_z）的倒数对每个样本进行加权，对于我们的目的来说，回归远目标的精确trajectory是不必要的，因为相应的2D keypoints往往集中在一个小区域周围，因此对于目标越远的目标，loss权重越低。

2.2.3 Bone length L2 loss

作者通过添加一个软约束，对无标签batch中subjects的平均骨长与有标签batch的subjects的骨长做近似匹配，发现效果是更好的，即figure 3中计算的Bone length L2 Loss。计算这个loss对自监督学习起到了很重要的作用。

2.3 Discuss

该方法仅需要一些相机的内置参数，这些参数基本商业相机都能够提供。该方法不依赖于特定的网络结构，可以应用在任何以2D关键点作为输入的3D姿态检测器中。

在实验中，作者按照本章中描述的架构将2D姿势映射到三维，为了将3D姿势重新投影到2D，作者使用了一个简单的投影层，该投影层考虑到了线性参数（焦距、焦点）和非线性的镜头畸变系数（切向、径向）来实现。这边也提到了在Human3.6M数据集中使用的镜头畸变参数对于姿态估计几乎没有影响，但仍然将其囊括进来，因为是相机真实的一个参数。

3. 实验及结果

3.1 实验设置

评估使用的数据集：Human3.6M 和 HumanEva-I

Human3.6M中标志了3D姿态的7个子集，从中提取17的关节点，（S1,S5,S6,S7,S8）作为训练集，（S9, S11）作为测试集。

HumanEva-I相对小得多，从三个视角记录同一个对象，作者既通过对每个动作训练不同模型来评估三个动作，也未所有动作训练了一个模型。

衡量指标：MPJPE、P-MPJPE、N-MPJPE

3.2 实现细节

3.2.1 Implementation details for 2D pose estimation

之前的工作大部分都是在ground-truth bounding boxes提取目标，后使用stacked hourglass detector预测ground-truth bounding boxes中的2D关键点的位置。这篇文章并不依赖于任何特定的2D关键点检测器。作者研究了集中不依赖于ground-truth boxes的2D detectors，使得该实验在真实场景也可用。

除了stacked hourglass detector ，作者研究了包含一个ResNet-101-FPN bone的Mask-R-CNN网络，参考其在Detectron中的实现，以及cascaded pyramid network(CPN) ——FPN表示的扩展，CPN实现需要外部提供边界框（在这一情况下使用Mask R-CNN）

对于Mask R-CNN和CPN，因为关键点在COCO和Human3.6M不同，作者在COCO上进行预训练，后在Huaman3.6M上fine-tune 2D投影的检测器。在消融实验中，作者还实验了直接将3D姿态估计应用于预训练的2D COCO关键点，以估计Human3.6M中的3D joints。

对于Mask R-CNN，作者采用了“stretched 1x”表训练的ResNet-101作为backbone。微调时重新初始化了最后一层的keypoint network，反卷积层，来回归hetmaps来学习一组新的keypoints。使用4个GPU进行步长衰减学习率训练。

CPN使用输入分辨率为384x288的ResNet-50作为backbone，微调时重新初始化GlobalNet和RefineNet的最后一层。训练时采用指数衰减学习率。在微调时保持batch normalization。

下图为作者研究的几个2D key joints检测器的效果对比

3.2.2 Implementation details for 3D pose estimation

这部分留个坑

3.3 结果

3.3.1 Temporal dilated convolutional model

下面两张表显示的是B=4blocks，receptive field=243 frames时的结果，可以看到两个指标的效果普遍是比较好的，（+）表示需要额外依赖数据。

MPJPE Metric

P-MPJPE Metric

table 2展示了在单帧情况和时序情况下实现3D pose预测的Velocity error，即3D pose sequence的MPJPE（mean per-joint position error）的一阶倒数，这一失序模型将单帧的MPJVE（measure joint velocity errors）平均降低了76%。

可以这么理解，绝位置对误差（Abosolute position errors）是无法衡量预测的平滑性的，需要对其进行求导，一般误差越大，就越不平滑，误差越小，就会越平滑。