Deep High-Resolution Representation Learning for Human Pose Estimation

論文

• Deep High-Resolution Representation Learning for Human Pose Estimation
• Paper: https://arxiv.org/abs/1902.09212
• Code: https://github.com/leoxiaobin/deep-high-resolution-net.pytorch
• Submission Date: 2019.2

要旨

• single-person pose estimator (SPPE) において、姿勢推定する際のHeatMapを改善するネットワークアーキテクチャ（HRNet）を提案した
• Pose EstimationおよびPose Trackingで既存研究を上回る精度を達成した

提案手法

• 解像度の異なる複数のサブネットワーク間で繰り返し結合させることで、高解像のFeature Mapを維持する（結果、質の高いFeature Mapが得られる）
  • 低解像度へのサブネットワークは順に増やしていく
• これまでの研究では、高解像度から低解像度のネットワークで高いレベルの特徴を抽出し、高解像度への復元するといった2段階構成であることが一般的である
• 提案手法は、トップダウンアプローチ（人物検出した後に姿勢推定を行う）であり、人物検出は既存研究の手法を用いる

HRNetのアーキテクチャ図

結果

• Pose EstimationにおいてCOCO datasetとMPII datasetで、Pose TrackingにおいてはPose Track datasetで既存手法と比較した（共にSoTA）
  • MPII test set (PCKh@0.5): 92.3
• 計算量においても優れている
  • 28.5M params / 9.5 GFLOPs

COCO test-val datasetでの結果

関連研究

• Simple Baselines for Human Pose Estimation and Tracking, ECCV2018
  • 本研究の元になった先行研究
• Deeply Learned Compositional Models for Human Pose Estimation, ECCV2018
  • MPII datasetにおいて本研究と同等の精度

ml-papers.hatenablog.com

所感

• Feature Mapの改善はPose Estimationに限ったことではないので、論文のFeature Workで少し述べられていたが、Object DetectionやSemantic Segmentationなど他のタスクへの応用の可能性は高いと思う
• （論文の中身ではないが）この論文はUSTCの学生がMicrosoft Research Asiaにインターン中に書いたらしい（すごい）

備考

• コンピュータビジョンの最新論文調査 Human Recognition編 - Technology of DeNA