点击上方“3D视觉工坊”，选择“星标”
干货第一时间送达
作者：谢一宾 | 来源：知乎
https://zhuanlan.zhihu.com/p/140060196
本文仅做学术分享，如有侵权，请联系删除。
前言
本文主要讨论2D的人体姿态估计，内容主要包括：基本任务介绍、存在的主要困难、方法以及个人对这个问题的思考等等。希望大家带着批判的目光阅读这篇文章，和谐讨论。
介绍
2D人体姿态估计的目标是定位并识别出人体关键点，这些关键点按照关节顺序相连，就可以得到人体的躯干，也就得到了人体的姿态。
在深度学习时代之前，和其他计算机视觉任务一样，都是借助于精心设计的特征来处理这个问题的，比如pictorial structure。凭借着CNN强大的特征提取能力，姿态估计这个领域得到了长足的发展。2D人体姿态估计主要可以分为单人姿态估计（Single Person Pose Estimation, SPPE）和多人姿态估计（Multi-person Pose Estimation, MPPE）两个子任务。
单人姿态估计是基础，在这个问题中，我们要做的事情就是给我们一个人的图片，我们要找出这个人的所有关键点，常用的MPII数据集就是单人姿态估计的数据集。
在多人姿态估计中，我们得到的是一张多人的图，我们需要找出这张图中的所有人的关键点。对于这个问题，一般有自上而下（Top-down）和自下而上（Bottom-up）两种方法。
Top-down: （从人到关键点）先使用detector找到图片中的所有人的bounding box，然后在对单个人进行SPPE。这个方法是Detection+SPPE，往往可以得到更好的精度，但是速度较慢。
Bottom-up: （从关键点到人）先使用一个model检测（locate）出图片中所有关键点，然后把这些关键点分组（group）到每一个人。这种方法往往速度可以实时，但是精度较差。
难点
2D人体姿态估计中有许多难点，很多问题可以通过网络结构的优化来解决，更准确地说，就是利用好多尺度、多分辨率的特征。
遮挡（自遮挡，被其他人遮挡）
扩大感受野，让网络自己去学习被遮挡的关系
人的尺度不一，拍照角度不一
多尺度特征融合
各种各样的姿态
考验网络的容量，深度
光照
在数据预处理中加入光照变化的因素，对每个通道做偏移
遮挡问题是比较难解决的，很多工作也都在发力于此。除了网络结构，数据的预处理也很重要，对于SPPE，要尽量将人放在图片中心。后处理也同样重要，怎么减小对heatmap的argmax操作的量化误差。人体不同于其他物体，人体不同关键点之间是有空间约束关系的，怎么去best capture various spatial relationships between human joints是关键。
方法
本节主要对姿态估计的方法进行简单介绍，由于篇幅有限，难以呈现论文的全貌，大家可自行阅读原论文。2D姿态估计方法可以分为单人姿态估计（SPPE）和多人姿态估计（MPPE）两个部分，其中多人姿态估计又分为自顶向下（Top-down）和自底向上（Bottom-up）两种。
SPPE
DeepPose (Google, 2014)[1]
DeepPose
使用AlexNet作为backbone
直接回归关节点的坐标
使用级联的结构来refine结果
Joint training with CNN and Graphical Model（LeCun, 2014）[2]
开始使用heatmap
CPM (CMU, 2016)[3]
全卷积网络，可以端到端训练
CPM是SPPE中的首篇经典之作，来自CPM的Jia Deng组（之后同组改进出了OpenPose，是目前Bottom-up方法中影响力最大的方法），CPM创新之处主要在于其提出的网络结构。
网络有多个stage组成，以第二个stage为例，他的输入由两部分组成，一个是上一个stage预测出的heatmap，一个是自己这个stage中得到的feature map，也就是在每一个stage都做一次loss计算，这样做可以使网络收敛更快也有助于提高精度。
上一层预测的heatmap可以提供丰富的spatial context，这对关节点的识别是非常重要的
正式开启e2e学习时代
Stacked Hourglass Network (Jia Deng组, 2016)[4]
hourglass影响深远，是常用的backbone，时至今日，效果依然很能打。
该工作的主要创新在于网络结构方面的改进，从图中可以看出，形似堆叠的沙漏。
每一个沙漏模块包含了对称的下采样和上采样的过程，每一个box都代表了一个有跨层连接的子模块
网络使用了中间监督，也就是图中的蓝色框是一个预测的heatmap，这加快了网络的收敛也提高了实际效果
Fast Human Pose (2019)[5]
backbone是hourglass，这篇文章把知识蒸馏用在了pose问题上，算是一次很好的尝试
为了追求cost-effective，需要compact的网络结构
4-stage hourglass可以取得95%的8-stage的效果
一半的channel数（128）只会导致1%的performance drop
使用蒸馏来做监督的增强，Students learn knowledge from books (dataset) and teachers (advanced networks).
MPPE
Top-down
G-RMI (Google, 2017)[6]
使用Faster-RCNN作为人体检测器，姿态部分基于ResNet估计了offset来refine
Faster-RCNN得到bounding box之后进行image cropping，使得所有box具有同样的纵横比，然后扩大box来包含更多图像上下文
使用ResNet作为backbone来估计heatmap和offset vector，因为得到heatmap之后我们往往还需要一个argmax的操作才能得到关节点的坐标，而这个过程中由于网络的下采样过程，heatmap势必分辨率比原图更小，所以得到的坐标会出现偏移，因此又估计了一个offset vector来补偿掉这种量化误差。
OKS-based NMS：基于关键点相似度来衡量两个候选姿态的重叠情况，在目标检测中常基于IoU来做NMS，但是姿态估计中输出的是关键点，更适合用这种属性来衡量。
RMPE (上交卢策吾老师组, 2017)[7]
上交卢策吾老师组的工作，是国内比较好的姿态估计方面的工作，AlphaPose开源代码影响广泛。
SSTN(Symmetric Spatial Transformer Network)：在不准确的bounding box中提取担任区域
STN来选择RoI
SPPE帮助STM得到准确的区域
PNMS(Parametric Pose Non-Maximum-Suppression)来去除冗余的姿态
PGPG(Pose-Guided Proposals Generator)
Compositional Human Pose Regression (MSRA, 2018)[8]
MSRA Xiao Sun组的工作，从输出表示下手，由于heatmap表示的量化误差和坐标表示的效果不好，作者提出使用bones as representation。
bones比joints更稳定，并且可以包含更多的几何信息，为了避免直接计算bones的MSE所引起的累积误差，作者提出考虑长距离目标，会考虑两关节点之间所有bones之和。作者把输出表示重新参数化了，与网络结构无关，同样可以用于3D。
CPN (旷视，2018)[9]
采用的是top-down的方法，采用的网络结构是一个U-Shape的结构，因为对于关键点定位来说，不同尺度的特征会起到不同的作用，浅层的特征可以帮助定位，深层的特征可以帮助识别什么什么部位。而且关键点的定位是有难易之分的，所以，很自然的想法，要找到难定位的关键点，对它们进行更多的操作，所以就有了难例挖掘和RefineNet。
多尺度特征信息的融合是网络设计的一个很大的目标，作者使用 GlobalNet (global pyramid network, U-Shape)来处理easy keypoints，GlobalNet中包含了下采样和上采样（插值非转置卷积）的过程。
使用RefineNet (pyramid refined network)来处理hard keypoints
OHKM(online hard keypoints mining)用来找出hard keypoints，类似于检测中的OHEM
MSPN (旷视，2018)[10]
在CPN的基础上做了改进，类似于stacked hourglass的结构，把CPN也堆叠起来了，他们也提出detector精度不是很重要，只要够用就行。
网络结构方面的改进
Simple Baseline (MSRA, 2018)[11]
MSRA Bin Xiao等人的工作（后续也推出了HRNet系列和HigherHRNet），真的很simple，作者就是把hourglass和CPN中的upsample部分用deconvolution做了，作者论文中提到想探究how good could a simple method be? 真是会写。
从图中不难看出，这个网络结构非常简洁，作者使用Deconvolution来做上采样，网络中也没有不同特征层之间的跨层连接，和经典的网络结构Hourglass和CPN相比都十分简洁。
MultiPoseNet (2018)[12]
作者使用了两个subnet，一个用来输出keypont和segmentationd的heatmap，另一个是detector，用来输出人体的bounding box，然后将这两种输出送到PRN，Pose Residual Network中，得到最终的pose。最关键的部分就是PRN，作者说他们先从data中学习pose structures，然后可以解决遮挡的问题。这部分作者没有讲清楚，呵呵。作者给出的结果是很好的，在单1080ti上COCO数据集可以达到23FPS的速度，效果也是与SOTA的Top-down方法competitive的。
backbone也就是用来提取特征的部分采用的是resnet和两个FPN(用两个的原因是因为后面要接两个subnet)
keypoint subnet用来输出keypoint和segmentation的heatmap
person detect subnet用来检测人体，使用的是RetinaNet作为detector
pose residual network输出最终的pose，说是在学习了data的pose structures之后可以有效应对遮挡的问题
Deeply learned compositional models (2019)[13]
我没有很明白他这个compositional的意思，大概是把人体当成一个树结构，children可以帮助parent，也就是文章中所说的bottom-up (不是常提到的那个)，parent也可以帮助children，也就是文章中所说的top-down
compositional models
HRNet (MSRA, 2019)[14]
MSRA Bin Xiao等人继simple baseline之后又一力作。网络常常包括下采样和上采样过程，上采样的目的就是要得到高分辨率图像，基于这一观察，该项工作始终在一分支保留着高分辨率的图像，HRNet是像ResNet一样的通用backbone，但是其在姿态估计方面的影响是比较大的，效果也是比较好的。
各个scale之间互相fuse，并不是一个串联的下采样过程，这样保留了原分辨率的feature，会有很好的spatial信息。
Enhanced Channel-wise and Spatial Information (字节跳动， 2019)[15]
这项工作主要是对网络结构的改进，主要创新点在于加入channel shuffle和注意力机制。
Channel Shuffle Module (CSM): reshape-transpose-reshape, 经过这一通操作之后，希望feature能够和通道的上下文信息相关。
spatial attention: （feature level）希望网络对于特征图是pay attention to task-related regions而不是整张图片。
Channel-wise Attention: (channel level) 从SE-Net中借鉴来，主要包含GAP和Sigmoid两个步骤，希望网络可以选择更好的通道来detect pattern。
Related Parts Help (2019)[16]
这篇文章很好，作者提到人体并不是所有keypoint都是相关的，所以用一个shared feature来预测不好，作者根据mutual information把人体关键点分成五类，网络先学一个shared feature，然后再为这五类分出五个branch，学习specific features for relates parts Evaluation: 这个方法很好，值得借鉴，相关的可以提供帮助，不相关的keypoint硬是用shared feature来预测，反而会导致文章中所说的negative transfer
Related body parts 把keypoint分成多个group，根据mutual information
Part-based branching network (PBN) learn specific features for each group of related parts
Crowd Pose (上交卢策吾老师组，2019)[17]
这项工作主要是要处理拥挤场景下的多人姿态估计问题，并且在MPII, COCO和AI Challenger数据集基础上做了一个新的crowd benchmark。
在拥挤场景下，在同一个box内，我们可能需要处理很多其他人的关键点，该项工作设计了joints candidate loss来估计multi-peak heatmaps，让所有可能的关节点都作为候选。
Person-joint Graph: joint node是通过关节点间的距离来建立，person node通过检测的human proposals来建立，两者之间的edge通过看是否有contribution来建立。由此建立了一个人-关节的graph，也就转化到了图论问题上，目标就是最大化二分图中的边权重。使用updated Kuhn-Munkres解决这个问题。
Single-Stage Multi-Person Pose Machines (NUS, 2019)[18]
backbone是hourglass，提出分级的SPR，把person instance and position information 统一了起来，所以可以做到single-stage。估计人的中心root joint，其他关节由估计的displacement来处理。
Hierarchical SPR
A unique root for each person
Several joint displacements for each joint
heatmap for root joint (L2 loss)
dense displacement map for each joint (smooth L1 loss)
Bottom-up
DeepCut (Germany, 2016)[19]
用了Fast R-CNN和ILP，速度比较慢
pipeline（Bottom-up）
detect 检测人体关键点（Adapted Fast R-CNN）并且把他们表示为graph中的节点
label 使用人体关节点类别给检测出的关键点分类，比如arm, leg
partition 将关键点分组到同一个人
使用pairwise terms来做优化
Associative Embedding (Jia Deng组，2016)[20]
基于Jia Deng组之前的stacked hourglass network做的（也启发了后来该组的CornerNet）作者的insight很好，Many CV tasks can be viewed as joint detection and grouping，提出tag heatmap来group人体部件。
produce detection heatmaps and associate embedding tags together (bottom-up but single-stage) and then match detections to others that share the same embedding tag
主要的工作在于提出了associate embedding tag，也就是说预测每个关节点的时候也同时预测这个关节点的tag值，具有相同tag值的就是同一个人的关节点
DeeperCut (Germany, 2017)[21]
基于DeepCut的改进
使用深层的ResNet架构来检测body part
使用image-conditioned pairwise terms来做优化，可以将众多候选节点减少，通过候选节点之间的距离来判断该节点是否重要
OpenPose (CMU, 2017)[22]
可以做到实时，作者在CVPR上的报告直接拿笔记本现场对着观众演示，十分惊艳，不仅可以估计姿态，还可以估计脸、手和脚的关键点，也就是全身都估计了遍。是目前Bottom-up方法中影响最大的工作。
网络结构基于CPM改进，网络包含两个分支，一个分支预测heatmap，另一个分支预测paf(part affine field)，paf也是这项工作的关键所在。
paf是两个关节点连接的向量场，可以把它看做肢体，以paf为基础，把group的问题转化文二分图匹配（bipartite graph）的问题，使用匈牙利算法求解。
PersonLab (2018)[23]
这篇也是估计了offset来做refine，并且也是multi-task的，估计了short mid long三种offsets，各自都有不同的作用。
short-range offsets to refine heatmaps
mid-range to predict pairs of keypoints
greedy decoding to group keypoints into instances
PifPaf (EPFL, 2019)[24]
该工作主要贡献在于提出PIF和PAF（非OpenPose的PAF）这两种向量。
从图中可以看出，网络基于ResNet，encoder最后输出两个分支，PIF和PAF向量场。
PIF向量场是17x5，其中17是关节数，5表示用于优化heatmap的值。
PAF向量场是19x7，其中19代表了19种肢体连接，7表示了confidence和offset来优化肢体向量的值。
关键点由PIF给出，关键点之间的连接由PAF给出，接下来就是使用Greedy Decoding进行group的过程了。
HigherHRNet (字节跳动，2020)[25]
字节跳动Bin Xiao团队的工作，基于之前的HRNet工作和associative embedding。
HRNet在bottom-up方法中的尝试，associative embedding加上更强大的网络。
总结
大体的创新点主要集中在网络结构和特征表示两个方面，网络结构是一个填不满的坑，怎么更好的抽取信息，利用信息是网络结构设计的本质。在输出特征的表示方面主要有heatmap和自定义的向量场，人为设计的向量也许可以更好地指引网络训练。人体的关节点不是孤立的，利用好这种先验的肢体关系也可以更好地指导网络训练。
参考
1 ^Toshev, A., & Szegedy, C. (2014). DeepPose: Human pose estimation via deep neural networks. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1653–1660. https://doi.org/10.1109/CVPR.2014.214
2 ^Tompson, J., Jain, A., LeCun, Y., & Bregler, C. (2014). Joint training of a convolutional network and a graphical model for human pose estimation. Advances in Neural Information Processing Systems, 2(January), 1799–1807.
3 ^Wei, S. E., Ramakrishna, V., Kanade, T., & Sheikh, Y. (2016). Convolutional pose machines. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2016-Decem, 4724–4732. https://doi.org/10.1109/CVPR.2016.511
4 ^Newell, A., Yang, K., & Deng, J. (2016). Stacked hourglass networks for human pose estimation. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 9912 LNCS, 483–499. https://doi.org/10.1007/978-3-319-46484-8_29
5 ^Zhang, F., Zhu, X., & Ye, M. (2019). Fast human pose estimation. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2019-June, 3512–3521. https://doi.org/10.1109/CVPR.2019.00363
6 ^Papandreou, G., Zhu, T., Kanazawa, N., Toshev, A., Tompson, J., Bregler, C., & Murphy, K. (2017). Towards accurate multi-person pose estimation in the wild. Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017, 2017-January, 3711–3719. https://doi.org/10.1109/CVPR.2017.395
7 ^Fang, H. S., Xie, S., Tai, Y. W., & Lu, C. (2017). RMPE: Regional Multi-person Pose Estimation. Proceedings of the IEEE International Conference on Computer Vision, 2017-Octob, 2353–2362. https://doi.org/10.1109/ICCV.2017.256
8 ^Liang, S., Sun, X., & Wei, Y. (2018). Compositional Human Pose Regression. Computer Vision and Image Understanding, 176–177, 1–8. https://doi.org/10.1016/j.cviu.2018.10.006
9 ^Chen, Y., Wang, Z., Peng, Y., Zhang, Z., Yu, G., & Sun, J. (2018). Cascaded Pyramid Network for Multi-person Pose Estimation. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 7103–7112. https://doi.org/10.1109/CVPR.2018.00742
10 ^Li, W., Wang, Z., Yin, B., Peng, Q., Du, Y., Xiao, T., … Sun, J. (2019). Rethinking on Multi-Stage Networks for Human Pose Estimation. Retrieved from http://arxiv.org/abs/1901.00148
11 ^Xiao, B., Wu, H., & Wei, Y. (2018). Simple baselines for human pose estimation and tracking. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 11210 LNCS, 472–487. https://doi.org/10.1007/978-3-030-01231-1_29
12 ^Kocabas, M., Karagoz, S., & Akbas, E. (2018). MultiPoseNet: Fast Multi-Person Pose Estimation Using Pose Residual Network. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 11215 LNCS, 437–453. https://doi.org/10.1007/978-3-030-01252-6_26
13 ^Kocabas, M., Karagoz, S., & Akbas, E. (2018). MultiPoseNet: Fast Multi-Person Pose Estimation Using Pose Residual Network. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 11215 LNCS, 437–453. https://doi.org/10.1007/978-3-030-01252-6_26
14 ^Sun, K., Xiao, B., Liu, D., & Wang, J. (2019). Deep High-Resolution Representation Learning for Human Pose Estimation. Retrieved from http://arxiv.org/abs/1902.09212
15 ^Su, K., Yu, D., Xu, Z., Geng, X., & Wang, C. (2019). Multi-person pose estimation with enhanced channel-wise and spatial information. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2019-June, 5667–5675. https://doi.org/10.1109/CVPR.2019.00582
16 ^Su, K., Yu, D., Xu, Z., Geng, X., & Wang, C. (2019). Multi-person pose estimation with enhanced channel-wise and spatial information. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2019-June, 5667–5675. https://doi.org/10.1109/CVPR.2019.00582
17 ^Li, J., Wang, C., Zhu, H., Mao, Y., Fang, H. S., & Lu, C. (2019). Crowdpose: Efficient crowded scenes pose estimation and a new benchmark. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2019-June, 10855–10864. https://doi.org/10.1109/CVPR.2019.01112
18 ^Nie, X., Feng, J., Zhang, J., & Yan, S. (2019). Single-stage multi-person pose machines. Proceedings of the IEEE International Conference on Computer Vision, 2019-October, 6950–6959. https://doi.org/10.1109/ICCV.2019.00705
19 ^Nie, X., Feng, J., Zhang, J., & Yan, S. (2019). Single-stage multi-person pose machines. Proceedings of the IEEE International Conference on Computer Vision, 2019-October, 6950–6959. https://doi.org/10.1109/ICCV.2019.00705
20 ^Nie, X., Feng, J., Zhang, J., & Yan, S. (2019). Single-stage multi-person pose machines. Proceedings of the IEEE International Conference on Computer Vision, 2019-October, 6950–6959. https://doi.org/10.1109/ICCV.2019.00705
21 ^Nie, X., Feng, J., Zhang, J., & Yan, S. (2019). Single-stage multi-person pose machines. Proceedings of the IEEE International Conference on Computer Vision, 2019-October, 6950–6959. https://doi.org/10.1109/ICCV.2019.00705
22 ^Cao, Z., Simon, T., Wei, S. E., & Sheikh, Y. (2017). Realtime multi-person 2D pose estimation using part affinity fields. Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017, 2017-Janua, 1302–1310. https://doi.org/10.1109/CVPR.2017.143
23 ^Cao, Z., Simon, T., Wei, S. E., & Sheikh, Y. (2017). Realtime multi-person 2D pose estimation using part affinity fields. Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017, 2017-Janua, 1302–1310. https://doi.org/10.1109/CVPR.2017.143
24 ^Kreiss, S., Bertoni, L., & Alahi, A. (2019). PifPaf: Composite Fields for Human Pose Estimation. Retrieved from http://arxiv.org/abs/1903.06593
25 ^Cheng, B., Xiao, B., Wang, J., Shi, H., Huang, T. S., & Zhang, L. (2019). HigherHRNet: Scale-Aware Representation Learning for Bottom-Up Human Pose Estimation. Retrieved from http://arxiv.org/abs/1908.10357
整理：公众号@AI算法修炼营
本文仅做学术分享，如有侵权，请联系删除。
推荐阅读：专辑|相机标定
专辑|3D点云
专辑|SLAM
专辑|深度学习与自动驾驶
专辑|结构光
专辑|事件相机
专辑|OpenCV学习
专辑|学习资源汇总
专辑|招聘与项目对接专辑|读书笔记
重磅！3DCVer-学术论文写作投稿 交流群已成立
扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。
同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流等微信群，请扫描下面微信号加群，备注：”研究方向+学校/公司+昵称“，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进去相关微信群。原创投稿也请联系。
▲长按加微信群或投稿▲长按关注公众号
3D视觉从入门到精通知识星球：针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近1000+星球成员为创造更好的AI世界共同进步，知识星球入口：
学习3D视觉核心技术，扫描查看介绍，3天内无条件退款
圈里有高质量教程资料、可答疑解惑、助你高效解决问题
来源：oschina
链接：https://my.oschina.net/u/4364241/blog/4463175