人体姿态ICCV2019（十一）Oral---Learnable Triangulation of Human Pose

《Learnable Triangulation of Human Pose》论文解读

• Abstract
• 1. Related work
• 2. Method
• 3. Experiments

原文：Learnable Triangulation of Human Pose
代码：Pytorch

---

       

Abstract

       本文提出 两种 基于新的可学习三角剖分方法的多视图3D人体姿态估计的新方案。

1. 第一个(baseline)解决方案是一个 基本的可微分代数三角化，加上从输入图像估计的置信权值；
2. 第二种则是基于 从中间的2D特征图进行体积聚合 的新方法。然后该聚合体通过3D卷积 精化，产生最终的3D关节点热图。

---

       

1. Related work

1.1 Single view 3D pose estimation

       当前单视角3D姿态估计的最新解决方案可以分为两个子类别。

• 第一类是 使用高精度的的2D姿态估计器，然后再通过深度神经网络（FC、卷积或递归）将2D坐标提升为3D。该方案具有几个优点：简单，快速，可以在运动捕获数据上进行训练（带有骨架/视图增强），并且可以在训练后更换2D backbone。

• 第二类是使用卷积神经网络 直接从图像回归3D坐标。当前的最佳解决方案是使用姿势的体积表示。

1.2 Multi-view view 3D pose estimation

       基于多视角的工作中很少使用体积姿态表示。具体来说，有些工作使用2D关节点概率热图（从预先训练的2D关节点检测器获得)，然后通过随后的不可学习的聚合将其转化到体积层面。

       本文工作与上面不同之处有二。

• 本文以一种可学习的方式处理体积信息。
• 可以端到端地训练网络。

       D.Tome etc 采用多阶段方法，其中使用了外部的3D姿势先验来从2D关节推断出3D姿势。在第一个阶段，所有的视图都通过卷积神经网络来获得2D关节的热图。通过3D姿态先验空间中优化潜在坐标，以及使用热图中的最大值位置共同来推断3D姿态，在之后的每个阶段中，将3D姿势重新投影回所有摄影机视图，并与来自上一层的预测（通过卷积网络）融合在一起。接下来，根据热图最大值的位置重新估算3D姿态，然后重复该过程。这样的程序允许通过对人体姿势的间接整体推理来校正2D联合热图的预测

       本文工作与上面不同之处则是：

• 上面工作没有从3D预测到2D热图的梯度流，因此没有直接信号来校正3D坐标的预测。

---

       

2. Method

 
参数说明：

• $C$ cameras；
• 已知的投影矩阵 $P_c$；
• 世界坐标系下的3D坐标位置 ${\mathbf{y}}_{j,t}$（其中$j\in (1\dots J)$、$t$ 则是表示时间。 (由于每一帧都是独立来处理，没有使用到时间信息，为简要说明之后省略 $t$ 来陈述)；

       对于每一帧都使用Bounding box来对图像进行裁剪，这些边界框可以通过现成的2D人类检测器进行估算，也可以通过GT值来进行估算。

• 裁剪后的图像 $I_c$；
• 将输入的图像输入到 ResNet-152 网络里，输出用 $g_{\theta }$ 表示；
• 将上面的输出再通过一系列反卷积得到 中间层热图，用 $f_{\theta }$ 表示；
• 最后通过 1×1 卷积网将中间热图转化为关节点热图 $h_{\theta }$。

---

       

2.1. Algebraic triangulation approach

       基线代数三角剖分方法的主要缺点是，来自不同相机的图像 $I_c$ 彼此独立地处理，因此，没有简单的方法可以预先添加3D人体姿势，也无法过滤掉错误投影矩阵的相机。

• 先从裁剪的图像里得到相对应的关节点热图：
                                     $H_{c,j}=h_{\theta }{\left(I_c\right)}_j$
• 为估算出2D位置，首先计算 softmax：
                $H_{c,j}^{\prime }=\exp \left(\alpha H_{c,j}\right)/\left({\sum }_{r_x=1}^W{\sum }_{r_y=1}^H\exp \left(\alpha H_{c,j}(\mathbf{r})\right)\right)$
• 再通过 soft-argmax 得到位置：
                         ${\mathbf{x}}_{c,j}={\sum }_{r_x=1}^W{\sum }_{r_y=1}^H\mathbf{r}\cdot \left(H_{c,j}^{\prime }(\mathbf{r})\right)$
• 最后从2D估计点来得到3D点 ${\mathbf{y}}_j$：

• 由于使用 RANSAC 会完全阻断到排除相机的梯度流，因此加上权值：
                                     $\left({\mathbf{w}}_j\circ A_j\right){\tilde{\mathbf{y}}}_j=0$
  其中 ${\mathbf{w}}_j=\left(w_{1,j},w_{1,j},w_{2,j},w_{2,j},\dots ,,w_{C,j},w_{C,j}\right)$、$\circ$ 代表哈达玛(Hadamard)积，即基本矩阵相乘；
                                     $w_{c,j}={\left(q^{\varphi }\left(g^{\theta }\left(I_c\right)\right)\right)}_j$
• 最后求解出 ${\mathbf{y}}_j$：
                                         $\mathbf{y}=\tilde{\mathbf{y}}/(\tilde{\mathbf{y}}{)}_4$

---

       

2.2. Volumetric triangulation approach

       为了解决这个问题，我们建议使用更复杂，更强大的三角剖分程序。我们将2D主干生成的特征图投影到3D体积中。这是通过将2D网络的输出沿3D立方体内部的投射光线投射到人周围来填充3D立方体来完成的。

• 对于体积三角剖分方法，不必需要关节点热图，只用中间热图即可，因此将 $f^{\theta }\left(I_c\right)$ 输入到权值为 $\gamma$ 的单层卷积网络 $o^{\gamma }$ 中：
                              $M_{c,k}=o^{\gamma }{\left(f^{\theta }\left(I_c\right)\right)}_k$
• 为得到体积格子volumetric grid，先采用2.1. 节介绍的代数三角剖分baseline来估计人体根节点骨盆的世界坐标，再以根节点骨盆为中心生成一个 $L\times L\times L$ 的3D bounding box，最后用体素块来离散化bounding box，得到 $V^{\text{coords }}\in {\mathbb{R}}^{64,64,64,3}$；
• 对于每个视角，将3D坐标投影到2D，即：$V_c^{\text{proj }}=P_c{V}^{\text{coords }}$，其中 $V^{\text{proj }}\in {\mathbb{R}}^{64,64,64,2}$；
• 然后双线性填充：$V_{c,k}^{\text{view }}=M_{c,k}\left\{V_c^{\text{proj }}\right\}$；
• 最后将所有的体积块聚合（此处有三种方法）

1. 直接求和：
                                      $V_k^{\text{input }}={\sum }_c{V}_{c,k}^{\text{view }}$
          
2. 使用归一化置信度：
                               $V_k^{\text{input }}={\sum }_c\left(d_c\cdot V_{c,k}^{\text{view }}\right)/{\sum }_c{d}_c$
                 其中：归一化置信度–>$d_c$ obtained similarly to $w_c$ using a branch attached to backbone
          
3. 计算体积系数 $V_{c,k}^w$，等同于 $d_c$ 所扮演的角色：
                        $V_{c,k}^w=\exp \left(V_{c,k}^{\text{view }}\right)/{\sum }_c\exp \left(V_{c,k}^{\text{view }}\right)$
                               $V_k^{\text{input }}={\sum }_c{V}_{c,k}^w\circ V_c^{\text{view }}$

• 最后将生成的 $V_k^{\text{input }}$ 输入到 V2V 网络里得到3D关节点。

---

       

3. Experiments

3.1. Human3.6M

3.2. CMU

本文地址：https://blog.csdn.net/qq_40520596/article/details/109630548