IT评测·应用市场-qidao123.com

标题: 深度学习学习笔记（34周） [打印本页]
作者: 去皮卡多    时间: 2025-2-23 22:48
标题: 深度学习学习笔记（34周）
目次
择要
Abstracts
简介
Hourglass Module（Hourglass 模块）
网络布局
Intermediate Supervision（中间监督）
练习过程细节
评测结果

择要

本周阅读了《Stacked Hourglass Networks for Human Pose Estimation》，作者在人体姿态估计问题上提出了一种沙漏型的网络布局。特性在所有尺度上进行处理，并整合，以最有效地捕捉与身体相关的各种空间关系。作者展示了，重复进行自底向上和自顶向下的处理，并共同中间监督对提拔网络的性能至关紧张。作者将该架构称为 “堆叠沙漏” ，该网络连续执行池化和上采样的步骤，终极产生一组猜测。该方法在FLIC 数据集和MP Ⅱ数据集上的实现了当时最优的结果。
Abstracts

Reading "Stacked Hourglass Networks for Human Pose Estimation" this week, the authors propose an hourglass-type network architecture on the problem of human pose estimation. Features are processed at all scales and integrated to most effectively capture the various spatial relationships associated with the body. The authors show that repeated bottom-up and top-down processing, combined with intermediate supervision, is critical to improving the performance of the network. The authors refer to this architecture as a "stacked hourglass". The network performs the steps of pooling and upper envelope continuously, resulting in a set of predictions.
This method achieves the best results on FLIC data set and MP ⅱ data set.
简介

理解人类的姿态对于一些高级的任务比如行为辨认来说特殊紧张，而且也是一些人机交互任务的底子。作者提出了一种新的网络布局Stacked Hourglass Networks来对人体的姿态进行辨认，这个网络布局可以或许捕获并整合图像所有尺度的信息。之所以称这种网络为Stacked Hourglass Networks，主要是它长得很像堆叠起来的沙漏，如下图所示：


这种堆叠在一起的Hourglass模块布局是对称的，bottom-up过程将图片从高分辨率降到低分辨率，top-down过程将图片从低分辨率升到高分辨率，这种网络布局包含了许多pooling和upsampling的步骤，pooling可以将图片降到一个很低的分辨率，upsampling可以结合多个分辨率的特性。
下面先容具体的网络布局。
Hourglass Module（Hourglass 模块）

Hourglass模块计划的初志就是为了捕捉每个尺度下的信息，因为捕捉像脸，手这些部门的时候必要局部的特性，而最后对人体姿态进行猜测的时候又必要团体的信息。为了捕获图片在多个尺度下的特性，通常的做法是使用多个pipeline分别单独处理差别尺度下的信息，然后再网络的后面部门再组合这些特性，而作者使用的方法就是用带有skip layers的单个pipeline来保存每个尺度下的空间信息。


在Hourglass模块中，卷积和max pooling被用来将特性降到一个很低的分辨率，在每一个max pooling步骤中，网络产生分支并在原来提前池化的分辨率下使用更多的卷积，当到达最低的分辨率的时候，网络开始upsample并结合差别尺度下的特性。这里upsample（上采样）采用的方法是最邻近插值，之后再将两个特性集按元素位置相加。
当到达输出分辨率的时候，再接两个1×1的卷积层来进行最后的猜测，网络的输出是一组heatmap，对于给定的heatmap，网络猜测在每个像素处存在关节的概率。
网络布局

Residual Module
Fig.3中的每个方框都由下面如许的残差块构成：


Residual Module
上图的残差块是论文中的原图，形貌的不够具体，自己看了下源代码之后，画出了如下图所示的Residual Module：


贴出一段作者提供的关于Residual Module的源代码：
  1. local conv = nnlib.SpatialConvolution
  2. local batchnorm = nn.SpatialBatchNormalization
  3. local relu = nnlib.ReLU
  5. -- Main convolutional block
  6. local function convBlock(numIn,numOut)
  7.     return nn.Sequential()
  8.         :add(batchnorm(numIn))
  9.         :add(relu(true))
  10.         :add(conv(numIn,numOut/2,1,1))
  11.         :add(batchnorm(numOut/2))
  12.         :add(relu(true))
  13.         :add(conv(numOut/2,numOut/2,3,3,1,1,1,1))
  14.         :add(batchnorm(numOut/2))
  15.         :add(relu(true))
  16.         :add(conv(numOut/2,numOut,1,1))
  17. end
  19. -- Skip layer
  20. local function skipLayer(numIn,numOut)
  21.     if numIn == numOut then
  22.         return nn.Identity()
  23.     else
  24.         return nn.Sequential()
  25.             :add(conv(numIn,numOut,1,1))
  26.     end
  27. end
  29. -- Residual block
  30. function Residual(numIn,numOut)
  31.     return nn.Sequential()
  32.         :add(nn.ConcatTable()
  33.             :add(convBlock(numIn,numOut))
  34.             :add(skipLayer(numIn,numOut)))
  35.         :add(nn.CAddTable(true))
  36. end
复制代码
Hourglass Module
Hourglass Module由上面的Residual Module构成，由于它是一个递归的布局，所以可以定义一个阶数来表示递归的层数，首先来看一下一阶的Hourglass Module：


上图中的Max pool代表下采样，Res代表上面先容的Residual Module，Up Sample代表上采样。多阶的Hourglass Module就是将上图虚线框中的块递归地更换为一阶Hourglass Module，由于作者在实验中使用的是4阶的Hourglass Moudle，所以我们画出了4阶的Hourglass Module的示意图：



团体布局
网络输入的图片分辨率为256×256，在hourglass模块中的最大分辨率为64×64，整个网络最开始要颠末一个7×7的步长为2的卷积层，之后再颠末一个残差块和Max pooling层使得分辨率从256降到64。下面贴出作者提供的整个网络布局的源代码：
  1. paths.dofile('layers/Residual.lua')
  3. local function hourglass(n, f, inp)
  4.     -- Upper branch
  5.     local up1 = inp
  6.     for i = 1,opt.nModules do up1 = Residual(f,f)(up1) end
  8.     -- Lower branch
  9.     local low1 = nnlib.SpatialMaxPooling(2,2,2,2)(inp)
  10.     for i = 1,opt.nModules do low1 = Residual(f,f)(low1) end
  11.     local low2
  13.     if n > 1 then low2 = hourglass(n-1,f,low1)
  14.     else
  15.         low2 = low1
  16.         for i = 1,opt.nModules do low2 = Residual(f,f)(low2) end
  17.     end
  19.     local low3 = low2
  20.     for i = 1,opt.nModules do low3 = Residual(f,f)(low3) end
  21.     local up2 = nn.SpatialUpSamplingNearest(2)(low3)
  23.     -- Bring two branches together
  24.     return nn.CAddTable()({up1,up2})
  25. end
  27. local function lin(numIn,numOut,inp)
  28.     -- Apply 1x1 convolution, stride 1, no padding
  29.     local l = nnlib.SpatialConvolution(numIn,numOut,1,1,1,1,0,0)(inp)
  30.     return nnlib.ReLU(true)(nn.SpatialBatchNormalization(numOut)(l))
  31. end
  33. function createModel()
  35.     local inp = nn.Identity()()
  37.     -- Initial processing of the image
  38.     local cnv1_ = nnlib.SpatialConvolution(3,64,7,7,2,2,3,3)(inp)           -- 128
  39.     local cnv1 = nnlib.ReLU(true)(nn.SpatialBatchNormalization(64)(cnv1_))
  40.     local r1 = Residual(64,128)(cnv1)
  41.     local pool = nnlib.SpatialMaxPooling(2,2,2,2)(r1)                       -- 64
  42.     local r4 = Residual(128,128)(pool)
  43.     local r5 = Residual(128,opt.nFeats)(r4)
  45.     local out = {}
  46.     local inter = r5
  48.     for i = 1,opt.nStack do
  49.         local hg = hourglass(4,opt.nFeats,inter)
  51.         -- Residual layers at output resolution
  52.         local ll = hg
  53.         for j = 1,opt.nModules do ll = Residual(opt.nFeats,opt.nFeats)(ll) end
  54.         -- Linear layer to produce first set of predictions
  55.         ll = lin(opt.nFeats,opt.nFeats,ll)
  57.         -- Predicted heatmaps
  58.         local tmpOut = nnlib.SpatialConvolution(opt.nFeats,ref.nOutChannels,1,1,1,1,0,0)(ll)
  59.         table.insert(out,tmpOut)
  61.         -- Add predictions back
  62.         if i < opt.nStack then
  63.             local ll_ = nnlib.SpatialConvolution(opt.nFeats,opt.nFeats,1,1,1,1,0,0)(ll)
  64.             local tmpOut_ = nnlib.SpatialConvolution(ref.nOutChannels,opt.nFeats,1,1,1,1,0,0)(tmpOut)
  65.             inter = nn.CAddTable()({inter, ll_, tmpOut_})
  66.         end
  67.     end
  69.     -- Final model
  70.     local model = nn.gModule({inp}, out)
  72.     return model
  74. end
复制代码
画个图吧：


图中的4阶Hourglass Module就是前面讲的4阶Hourglass Module，可以看到整个网络还是挺庞大的，图中的渐变红色块就是加入了中间监督的地方，即在此处使用loss函数，下面讲一下中间监督。
   注意，上面的团体网络布局图中中间监督的地方输出的通道数为16是针对于MPII Human Pose这个数据集，因为该数据集将人体划分为16个关节点，具体参见  人体姿态估计数据集整理（Pose Estimation/Keypoint）  Intermediate Supervision（中间监督）

作者在整个网络布局中堆叠了许多hourglass模块，从而使得网络可以或许不断重复自底向上和自顶向下的过程，作者提到采用这种布局的关键是要使用中间监督来对每一个hourglass模块进行猜测，即对中间的heatmaps盘算损失。
关于中间监督的位置，作者在文中也进行了讨论。大多数高阶特性仅在较低的分辨率下出现，除非在上采样最后。如果在网络进行上采样后进行监督，则无法在更大的全局上下文中重新评估这些特性；如果我们希望网络可以或许进行最佳的猜测，那么这些猜测就不应该在一个局部范围内进行。
由于hourglass模块整合了局部和全局的信息，若想要网络在早期进行猜测，则必要它对图片有一个高条理的理解纵然只是整个网络的一部门。终极，作者将中间监督计划在如下图所示位置：


The network splits and produces a set of heatmaps (outlined in blue) where a loss can be applied. A 1x1 convolution remaps the heatmaps to match the number of channels of the intermediate features. These are added together along with the features from the preceding hourglass.
在整个网络中，作者共使用了8个hourglass模块，必要注意的是，这些hourglass模块的权重不是共享的，并且所有的模块都基于雷同的ground truth添加了损失函数。下面先容练习过程的细节。
关于中间监督loss的盘算，论文中是这么说的：
   Predictions are generated after passing through each hourglass where the network has had an opportunity to process features at both local and global contexts. Subsequent hourglass modules allow these high level features to be processed again to further evaluate and reassess higher order spatial relationships.  所以，每个Hourglass Module的loss是单独盘算的，如许使得后面的Hourglass Module可以或许更好地再评估。
练习过程细节

作者在FLIC和MPII Human Pose数据集上进行了练习与评估。这篇论文只能用于单人姿态检测，但是在一张图片中经常有多个人，解决办法就是只对图片正中心的人物进行练习。将目标人物裁剪到正中心后再将输入图片resize到256×256。为了进行数据增量，作者将图片进行了旋转（+/-30度）、scaling（.75-1.25）。
网络使用RMSprop进行优化，学习率为2.5e-4. 测试的时候使用原图及其翻转的版本进行猜测，结果取匀称值。网络对于关节点的猜测是heatmap的最大激活值。损失函数使用均方误差（Mean Squared Error,MSE）来比较猜测的heatmap与ground truth的heatmap（在节点中心周围使用2D高斯分布，标准差为1）

为了提高高精度阈值的性能，在转换回图像的原始坐标空间之前，猜测在其下一个最高邻居的方向上偏移四分之一像素。

评测结果

评测指标采用的是标准的PCK指标（Percentage of Correct Keypoints），这个指标指出了检测结果关键点落在ground truth的标准化间隔之内的比例。对于FLIC数据集来说，间隔按躯干巨细标准化，对于MPII数据集来说，间隔按头的巨细标准化。
FLIC上的评测结果


MPII上的评测结果


关于中间监督的位置，作者也进行了对比实验，结果如下图所示：


可以看到结果最好的是HG-Int，即在终极输出分辨率之前的两个最高分辨率上进行上采样后应用中间监督。
关于hourglass模块使用的个数，作者也进行了对比实验，分别采用2、4、8个堆叠的hourglass模块进行对比实验，结果如下所示：

首先，为了探索堆叠沙漏计划的结果，必须证明性能的厘革是架构形状的函数，而不是更大、更深网络容量的增长导致的。为了做出比较，作者将八个沙漏模块堆叠在一起构成基准网络，每个沙漏仅有一个残差块。通过打乱层的次序来改变网络排列。减少沙漏的数目将导致每个沙漏容量的增长。比如，一个网络堆叠了四个沙漏，那么每个分辨率下将有两个连续的残差块（大概两个沙漏以及四个残差块）。如图所示。所有网络具有雷同数目的参数和层数，只有在使用更多中间监督时才有些微差别。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。



欢迎光临 IT评测·应用市场-qidao123.com (https://dis.qidao123.com/) Powered by Discuz! X3.4