[论文解读] 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 3

一句话总结

本文提出了一种改进的多阶段深度学习模型用于人体姿态估计，通过阶段特定的核大小自适应（多σ）和优化的训练计划提升性能。该方法在MPII单人姿态估计基准上实现了最先进结果，优于所有先前方法。

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.

研究动机与目标

• 通过改进网络架构和训练流程，提升多阶段模型在人体姿态估计中的性能。
• 通过受控的训练步骤调度，解决多阶段网络中的收敛不稳定性问题。
• 探究在不同阶段使用可变核大小（多σ）对特征表示的影响。
• 在单人姿态估计的MPII基准上实现最先进性能。

提出的方法

• 该模型采用多阶段设计，每个阶段使用不同的核大小（多σ）处理特征，以捕捉多尺度空间信息。
• 通过各阶段特定的训练步骤优化训练过程，以提升收敛稳定性和模型准确率。
• 早期阶段的特征图在后续阶段逐步优化，实现分层特征学习。
• 网络采用端到端训练，重点是最小化热力图回归损失以实现关键点定位。
• 多σ核的使用使每个阶段能够专门检测不同空间尺度的关键点特征。
• 采用渐进式训练计划以稳定优化过程，防止过早收敛到次优解。

实验结果

研究问题

• RQ1 在不同阶段改变核大小如何影响多阶段人体姿态估计的性能？
• RQ2 优化的训练步骤调度是否能提升多阶段姿态估计网络的收敛稳定性？
• RQ3 多σ核自适应在多大程度上增强了深度姿态估计模型的特征表示能力？
• RQ4 所提出的多阶段框架是否在MPII基准上优于现有最先进方法？

主要发现

• 所提出的多阶段模型在MPII单人姿态估计基准上实现了最先进性能。
• 在各阶段使用多σ核大小显著提升了特征表示能力和模型准确率。
• 优化的训练步骤调度显著增强了训练过程中的收敛稳定性。
• 该方法在MPII数据集上优于文献中报告的所有先前工作。