项目地址

https://ilovepose.github.io/coco/

总结

因整数导致回归目标有偏，对网络效果有较大影响。

简介

对于单人姿态估计的监督方法有两种，回归关节点坐标、回归关节点热图。而回归热图因为能更利于网络归回，有效防止过拟合，是目前的主流。因此在这个过程中有两个问题，且都会产生一定的误差：

1. 训练时需将关节点坐标转换为关节点热图，会导致带小数坐标被转换到临近的整数位置；
2. 应用时需将关节点热图转换回关节点坐标，这会导致得到的关节点是整数，与真实标注产生误差。同时因为计算量的关系，热图尺寸通常会比输入图片缩小n倍，因此会将误差放大。在本文提出之前，使用的方法是取最高峰位置m和第二高峰位置s（因为网络生成的热图会有多峰如下图），输出位置p=m+0.25(s-m)，即将第二高峰位置作为小数补充。本文通过高斯估计，得到中心位置μ，获得了更好的效果。
   

本文贡献1

通过一种估计方法，从热图中获得更精确的坐标，具体步骤如下：

1. 对热图使用高斯核平滑（参数与训练时使用的高斯核相同）
2. 使用本文方法估计坐标位置

其中D表示在m位置的一阶、二阶导数，m为最高点位置，具体推导过程原文有推。

本文贡献2

相应的修改关节点坐标[/latex]gt;热图的生成方式，使得转换方法无偏。

结果

1. 对于关节点热图转换回关节点坐标，三种方法的结果。
   
2. 对于修改训练时关节点坐标转换为关节点热图的方式，与不同的转回方式结合的结果。
   
3. 最好效果
   

引申

在Anchor Free领域同样存在本文所提出的问题，目前主流方法都是用高斯核卷积生成热图，这也会造成一个问题，即热图区域超出目标范围；同时对于本文所提出的无偏问题，也有一篇文章做了相关研究《The Devil is in the Details: Delving into Unbiased Data Processing for Human Pose Estimation》