[論文レビュー] Improvement Multi-Stage Model for Human Pose Estimation.

Zhihui Su, Ming Ye+3 more|arXiv (Cornell University)|Feb 21, 2019

Human Pose and Action Recognition被引用数 3

ひとこと要約

本論文では、段階別カーネルサイズの適応（マルチ-σ）と最適化されたトレーニングスケジュールを用いることで、パフォーマンスを向上させる改善されたマルチステージ深層学習モデルを提案している。この手法は、MPIIの単一人物ポーズ推定ベンチマークで、すべての先行手法を上回る最先端の結果を達成した。

ABSTRACT

Multi-stage methods are widely used in detection task, and become more competitive than single-stage. This paper studed the improvement both in single and multi stage model. Training methods is also metioned in this paper, like multi {\sigma} of kernel sizes for different stages, and training steps to improve the stability of convergance. The resulting multi-stage network outperforms all previous works and obtains the best performance on single person task of MPII.

研究の動機と目的

• ネットワークアーキテクチャとトレーニング手順の精緻化を通じて、マルチステージモデルの人体ポーズ推定におけるパフォーマンスを向上させること。
• 制御されたトレーニングステップスケジューリングを用いて、マルチステージネットワークにおける収束不安定性を解消すること。
• 段階ごとに異なるカーネルサイズ（マルチ-σ）を用いることで、特徴表現への影響を調査すること。
• 単一人物ポーズ推定のMPIIベンチマークで最先端のパフォーマンスを達成すること。

提案手法

• 各段階で異なるカーネルサイズ（マルチ-σ）を用いて特徴を処理することで、マルチスケールの空間的情報を捉えるマルチステージ設計を採用している。
• 収束安定性とモデルの正確性を向上させるために、段階別に最適化されたトレーニングステップを用いてトレーニングを最適化している。
• 初期段階の特徴マップが、後続の段階で段階的に精錬され、階層的特徴学習が可能になっている。
• キーポoinトロケーションのためのヒートマップ回帰損失を最小化することに注力して、エンドツーエンドでネットワークをトレーニングしている。
• マルチ-σカーネルの使用により、各段階が異なる空間スケールでのキーポイント特徴を専門的に検出できるようになっている。
• 最適化された段階的トレーニングスケジュールを適用することで、最適化の安定性を高め、早期に局所最適解に収束するのを防いでいる。

実験結果

リサーチクエスチョン

• RQ1 段階ごとに変化するカーネルサイズが、マルチステージ人体ポーズ推定のパフォーマンスに与える影響は何か？
• RQ2 最適化されたトレーニングステップスケジューリングは、マルチステージポーズ推定ネットワークにおける収束安定性を向上させられるか？
• RQ3 マルチ-σカーネル適応は、深層ポーズ推定モデルにおける特徴表現をどの程度向上させるか？
• RQ4 提案されたマルチステージフレームワークは、MPIIベンチマークで既存の最先端手法を上回るか？

主な発見

• 提案されたマルチステージモデルは、MPIIの単一人物ポーズ推定ベンチマークで最先端のパフォーマンスを達成した。
• 段階ごとにマルチ-σカーネルサイズを用いることで、特徴表現とモデルの正確性が向上した。
• 最適化されたトレーニングステップスケジューリングは、トレーニング中の収束安定性を顕著に向上させた。
• 本手法は、MPIIデータセットにおいて、文献に報告されたすべての先行研究を上回った。