ECCV 2018丨YOLO遇上OpenPose，近200FPS的高幀數多人姿態檢測
在高幀數下，如何實現人體姿態檢測？
下面這條刷屏的twitter視訊給出了答案。
這是今年ECCV上的一篇名為《Pose Proposal Networks》的論文，作者是日本柯尼卡美能達公司的関井大気（Taiki SEKII），結合了去年CVPR上的 YOLO 和CMU的 OpenPose ，創造出的新方法，能夠實現高幀數視訊中的多人姿態檢測。
高幀數，無壓力
而其他方法，比如NIPS 2017 的AE（Associative embedding）、ICCV 2017的RMPE（Regional multi-person pose estimation）、CVPR 2017的PAF（Realtime multi-person 2D pose estimation using part affinity fields），都無法實現高幀數尤其是100以上幀數視訊的姿態檢測。
在COCO資料集上也不虛，相比谷歌PersonLab能在更高幀數下執行。
來看下具體資料，在頭、肩、肘部位和整體上半身識別中超過了其他方法，整體得分也不虛。
神奇“體位”大冒險
另外，常規的姿態檢測十分容易出錯的“體位”中，該方法也可以規避。
比如從天上跳傘下來這種奇怪的姿勢：
人數過多的擁擠場景：
還有，兩個人重疊的影象。
注意，右側站立的女子和她前面在瑜伽墊上的人，完完全全分開了，不會鬧出下面這種胳膊腿兒搞錯的笑話。
原理
這是基於ResNet-18的PPN對多人姿勢檢測的過程：
a) 輸入影象；
b) 從輸入影象中檢測部分邊界框；
c) 檢測出肢體；
d) 區分圖中每個人。
這篇論文的方法是先將圖片分割為較小的網格，使用較小的網路對每一幅網格圖片進行單次物體檢測範例，之後通過區域提議（region proposal）框架將姿態檢測重定義為目標檢測問題。
之後，使用單次CNN直接檢測肢體，通過新穎的概率貪婪解析步驟，生成姿勢提議。
區域提案部分被定義為邊界框檢測（Bounding Box Detections），大小和被檢測人身材成比例，並且可以僅使用公共關鍵點註釋進行監督。
整個架構由單個完全CNN構成，具有相對較低解析度的特徵圖，並使用專為姿勢檢測效能設計的損耗函式直接進行端到端優化，此架構稱為 姿態提議網路（Pose Proposal Network，PPN） 。PPN借鑑了YOLO的優點。
原文釋出時間為：2018-09-9
本文作者：凹非寺