[DL輪読会]Deep High-Resolution Representation Learning for Human Pose Estimation
Download as PPTX, PDF•4 likes•6,794 views
2019/05/17 Deep Learning JP: http://deeplearning.jp/seminar-2/
![1
DEEP LEARNING JP
[DL Papers]
http://deeplearning.jp/
“Deep High-Resolution Representation
Learning for Human Pose Estimation”
Matsuo Lab, Ryo Okada/岡田 領](https://image.slidesharecdn.com/20190517hrnet-190517005504/85/DL-Deep-High-Resolution-Representation-Learning-for-Human-Pose-Estimation-1-320.jpg)
[DL輪読会]Deep High-Resolution Representation Learning for Human Pose Estimation
- 1. 1 DEEP LEARNING JP [DL Papers] http://deeplearning.jp/ “Deep High-Resolution Representation Learning for Human Pose Estimation” Matsuo Lab, Ryo Okada/岡田 領
- 2. Outline 1. 書誌情報 2. 論文の概要 3. 姿勢推定問題とは 4. 先行研究 5. 提案手法 6. 実験 7. まとめ 2
- 3. 書誌情報 • タイトル – Deep High-Resolution Representation Learning for Human Pose Estimation • 著者 – Ke Sun, Bin Xiao, Dong Liu, Jingdong Wang – University of Science and Technology of China, Microsoft Research Asia • CVPR’19 3
- 4. 概要 4
- 5. 本論文の概要 • Deep High-Resolution Representation Learning for Human Pose Estimation – ネットワーク全体で高解像度を維持する一方で、複数スケールを繰り返し フィージョンする姿勢推定のためのhigh resolution network （HRNet）を提案 – 異なるスケールのインタラクションを密にして高精度出した 5
- 6. 姿勢推定とは 6
- 7. Human Pose Estimation - 姿勢推定 • 姿勢推定とは – 画像や動画から肩や手首といった人間の関節部分 （キーポイント）を推定する問題 • 種類 – 2D姿勢推定 • 画像から関節部分の２次元(x, y)の位置を推定する – 3D姿勢推定 • 画像から関節部分の３次元(x, y, z)の位置を推定す る • 利用例 – 行動認識、アニメーション、ゲーム – Homecourt（バスケのシュートの分析アプリ） 7
- 8. Human Pose Estimation - 姿勢推定 • 姿勢推定モデルのアプローチ – トップダウンアプローチ • まず人物を検知する。その後、それぞれの人物について姿勢推定(Single Person Pose Estimation)を行う。 • 人数に比例して計算量が増加する – ボトムアップアプローチ • 画像中のキーポイントを全て洗い出したあと、人物ごとにマッチングさせて繋ぎ合わせて いく。 • トップダウンに比べ、計算量が少ないが、部位間のつなぎ合わせの精度が低い 8
- 9. 先行研究 9
- 10. 姿勢推定の先行研究 10 Hourglass Cascaded pyramid network Simple Baseline • 対照的な高->低、低->高解像度の ネットワーク(Hourglass)を直列に ８つつ繋ぐ。それぞれのhourglass ではIntermediate supervisionを用 いる。 • Skip connection使ってフュージョ ンする。 • トップダウンアプローチ（人物検 知->姿勢推定） • 左側の GlobalNetで単純明瞭な キーポイントを見つける。右部分 のRefineNetが複数スケールの特 徴をアップサンプリング・統合す ることで、抽象度の高く、見つけ づらいキーポイントの推定を行う。 • ResNetで高->低解像度、Hourglass ではアップサンプリングであった が、deconv layerでスケールを戻 す。 • シンプルなネットワークで高性能 を示した。 • ECCV Posetrack challenge 2018で優 勝 • 著者らの前作
- 11. 既存研究のポイントと提案手法の着想 11 既存研究 提案手法 直列に高->低解像度へ落とす 段階的に異なるスケールを加えていく ものが多い Intermediate supervisionを使用 (Hourglassなど) 並列に高->低解像度ネットワーク (分類やセグメンテーションのmulti scale networkから着想. Ex. Convolutional neural fabric, interlinked CNN) 複数スケールを一気に繰り返しフュー ジョン (Deep fusionから着想) intermediate supervisionを使用 しないため、計算量小。 ネットワーク 構成 複数スケール の加算方 Intermediat e supervision
- 12. 提案手法 12
- 13. HRNetのアーキテクチャ 13 • 高解像度から始め徐々に低解像度 のサブネットワークを加えていく。 • 後段のステージの並列ネットワー クの解像度は前段のステージのも のに加え、より解像度の低いもの で構成される。 • サブネットワーク間で情報を繰り 返しフュージョンする • 異なるスケールのfeature mapは アップサンプリング (nearest neighbor サンプリング + 1x1 convolution) またはダウンサ ンプリング (strided 3x3 convolution) して加算。 並列マルチ解像度サブネットワーク Exchange Unit s: stage, r: resolution index
- 14. HRNetのアーキテクチャ 14 • 最終層では1x, 2x, 4x, 8xの4スケー ルが出力される。このうち最も精度の 高い1xの出力のみが用いられる。 • 損失関数はground truthのキーポイン トヒートマップに対するmean square error。 HRNet全体イメージ 出力 • ４ステージ、４並列サブネットワーク • 実験では２サイズのネットワークを用意 • HRNet-W32（チャンネル幅32,64,128,256） • HRNet-W48（チャンネル幅48,96,192,384）
- 15. 実験 15
- 16. 実験 • 以下データセットで検証。それ ぞれSoTAを達成。 – MSCOCO • 物体検知・セグメンテーション・人物 姿勢を含むデータセット – MPII Human Pose Estimation, PoseTrack • 人物2D姿勢データセット • 評価指標（COCOでの検証の際） – Object Keypoint Similarity – 物体認識におけるIoUと似た役割 – OKS閾値でのStandard Average precisionとrecall scoresで評 価 16 http://image- net.org/challenges/talks/2016/ECCV2016_workshop_presentation_keypo int.pdf
- 17. COCO test-devでの性能比較結果 17 提案手法が高精度を示 している • AP: OKSを10段階に 変えた時のAverage Precisionの平均値 • AP50, AP75: OKSの閾 値0.5, 0.75 • APM,APL: 中サイズ、 大サイズ人物に対す るAP
- 18. 分解検証 18
- 19. 分解検証 • 以下３点について分解検証 1. フュージョン回数による効果 2. ネットワーク内での解像度の扱いの影響 3. ヒートマップ推定に利用するfeature mapの解像度 4. 入力サイズの影響 19
- 20. 分解検証 20 ①フュージョンの繰り返しによる効果 提案手法（HRNet-W32）のほうが高性能となった。 徐々にスケール/サブネットワークを増やしていく のが性能向上につながると言える。 ②ネットワーク内での解像度の扱いの影響 マルチスケールのフュージョンは効果的であり、回 数を増やすほど高い性能に 最初から４つのサブネットワークを繋いだネット ワークと提案手法とを検証(variant of the HRNet)。 ネットワークの深さやフュージョンについては同じ。 - 結果 Variant of the HRNet: 72.5AP HRNet-W32:73.4 AP
- 22. まとめ • 姿勢推定のためのhigh resolution network（HRNet）を提案した – プロセス全体で高解像度を維持し、解像度を復元する必要がない、 – 複数の解像度を繰り返しフュージョンし、高い精度を得た • Future work – HRNetの他のタスクでの効果検証（すでにいくつか検証している） • 物体検知 – High-Resolution Representation Learning for Object Detection • セグメンテーション – High-Resolution Representations for Labeling Pixels and Regions • 画像分類 – High-Resolution Representation Learning for ImageNet Classification • 顔認識 – 未 22
- 23. THANK YOU. 23