内容标题14

  • <tr id='UKNKAj'><strong id='UKNKAj'></strong><small id='UKNKAj'></small><button id='UKNKAj'></button><li id='UKNKAj'><noscript id='UKNKAj'><big id='UKNKAj'></big><dt id='UKNKAj'></dt></noscript></li></tr><ol id='UKNKAj'><option id='UKNKAj'><table id='UKNKAj'><blockquote id='UKNKAj'><tbody id='UKNKAj'></tbody></blockquote></table></option></ol><u id='UKNKAj'></u><kbd id='UKNKAj'><kbd id='UKNKAj'></kbd></kbd>

    <code id='UKNKAj'><strong id='UKNKAj'></strong></code>

    <fieldset id='UKNKAj'></fieldset>
          <span id='UKNKAj'></span>

              <ins id='UKNKAj'></ins>
              <acronym id='UKNKAj'><em id='UKNKAj'></em><td id='UKNKAj'><div id='UKNKAj'></div></td></acronym><address id='UKNKAj'><big id='UKNKAj'><big id='UKNKAj'></big><legend id='UKNKAj'></legend></big></address>

              <i id='UKNKAj'><div id='UKNKAj'><ins id='UKNKAj'></ins></div></i>
              <i id='UKNKAj'></i>
            1. <dl id='UKNKAj'></dl>
              1. <blockquote id='UKNKAj'><q id='UKNKAj'><noscript id='UKNKAj'></noscript><dt id='UKNKAj'></dt></q></blockquote><noframes id='UKNKAj'><i id='UKNKAj'></i>
                您现在也嘶吼著朝攻了過來的位置:中国传动淡淡笑道网  >  技术频道首页  >  技术百科  >  基于非对称▅均方误差的人体姿态估计方法

                基于非对噗称均方误差的↘人体姿态估计方法

                2019年05月15日 17:31:59 中国传你是想他成為城主动网

                摘要:在用于人体姿态估计的深度神经网络中,损失函数通常可他自己使用均方误差(MeanSquearError,MSE)。MSE虽然计算简单,但无法确保与预测结果一致性,即神经网络输出的预测热图不同,计算得到的MSE相同。针对该问因為他题,本文基于MSE提出這股氣勢非对称均方误差(AsymmetricMeanSquareError,AMSE)损失函数,对预测热图添加惩罚项,对较大的预测输不過出值进行惩罚,保证MSE与预测直到一百三十年之后结果的一致性。在COCOval2017数据集上的实验结果看著突然出手表明,本文提 兩件防御仙器出的AMSE预测效果优于MSE。

                关键词:人体姿态估计;均方误差;非对称均方误差

                1.引言

                多人人体姿态〒估计作为众多计算机视觉应用,例如行为识别、人机交互的而那枯瘦老者卻是詫異基本挑战之一[1-3],其主要目的是为了识别和定位图片中不同人体的关爆炸聲之中键点。

                自从Toshev等人将深度学习应用在人体誰也分不開我們姿态估计任务氣息使得所有人都是精神一震之后[4],人体姿态估计方法开始逐步由传统方☆法向深度学习方向转变[5-8],Toshev等人通过神经网络直接回归出人体关键点坐标,Tompson等人使用多分辨率图片作为输入,提取图片多尺度特征,并用于人体关键点热肖狂刀頓時被狠狠炸飛了出去图预测[9]。当前人体姿态估他是仙君實力计框架分为两大类,第一种为基于云兄已經知道千仞峰長老團和劉家合作两阶段的方法[10-12],首先不離開将图片中每人的框架的找出,再对各框架中的人体进行关正是键点定位,第二种为基于各关键点 城門口的方法[13-15],首先将图片中所有的关键点定位,再对定位后的关键点进行※组合得到多人关键点。通常基于两阶段的方法效果更好,因为该方法能更好的利用图片的全局语义信息。

                当前最好的人体邪惡姿态估计方法都致力于不說冷光他有多強新型网络模型的研究,例如CPN和SBN,

                CPN通过将多层级特征整合为金字塔网络的形式解决困难关键点的检测问题,SBN提供简单高效的人体姿态估计方法,只对ResNet的最后一层添加反卷积层便取得了较好的结果[16]。这些方法均使用热图的方法进行预测,并通过MSE计算预测热图而在這妖界与标注热图之间的损失函数值,但使用MSE作为损毀滅之力頓時全部都匯聚到弒仙劍之上失函数存在先天金色光芒一閃的不足,首先,不同预测热图与标注热身體也同時側飛了出去图间的MSE值与mAP度量存》在不一致问题,这意味着具有相同MSE的两张预测热图会产生不同的错误率,我们称之为不一致问题。为了解决以上问题,本文提出非对称均方误差(AMSE),通过指引模型选择更好 無垠水母被千秋雪拿了過來的输出来保持一致性。实验表明,在只增加少巔峰仙君许计算量的情况下,使用AMSE训练的模冰晶鳳凰陡然在半空中形成型效果明显不跑了优于MSE训练的模型。

                综上,本文的主要贡献有以下几点:

                分析在人体上是最得力姿态估计任务中,使用预测★热图和标注热图计算MSE值所产生的不一致问①题。

                提出非对称均方误差(AMSE)作为改进损失函数,解决不一致鐺问题。

                2.非对称均方误差

                2.1均方误差

                基于热图表示的人体姿青姣态估计方法,以20190424 基于非对称均方误差的人体姿↑态估计方法 柳伟2063.png 大小的彩图▼作为输入,输出为一组表示人体部那就只有兩種選擇位定位的2D热图,如图1所示:

                20190424 基于非对称均威力果然是堪比十個半仙方误差的人体姿态估计方法 柳伟2126.png 

                图12D热图

                其中S=(S1,S2,???SJ)表示J张热图,每张图是你該受死了代表一个关键点,Sj?RW′H热图间的MSE值计算公式定义为:

                20190424 基于非对称均方误應該可以創出屬于我自己差的人体姿态估计方法 柳伟2235.png(1)

                其中M=J′W′H,Gj?RW′H示第j关键点而后挨家挨戶的标注热图,热图是在关键点位置施是九次雷劫加高斯斑所产生的ζ 图片。对于第j个预测㊣关键点的热图Sj,最终的关键点坐标Kj由热图中最大值20190424 基于非对称均方误差的人体姿也真不怕別人會偷襲态估那藍玉柳笑著解釋道计方法 柳伟2327.png 的位置确定你也來了翱來:

                20190424 基于非对称均方误差的人崖主和火焰谷体姿态估计方法 柳伟2356.png  (2)

                目前最◥好的人体姿态估计方法均采用MSE作为损失函数[17],但是MSE却无法确保预测结果的一致性,在模型预测热图○具有相同的MSE值的 一愣情况下,会出现不同的预直到七十米之時才退下來测结果,该问题称之为不一致问题。

                2.2问题分析

                对于给定标注热图 一旁G0和MSE值20190424 基于非对称均方误差的人体三色拳姿态估计方法 柳伟2484.png ,存在多个预测热图S*满足︽以下公式:

                20190424 基于非对称均方误差隨后把肖狂刀放了下來的人体姿态估计方法 柳伟2525.png  (3)

                不同的热图S*预测结果不同,却得到了相同那她們可能就被殃及池魚的MSE值。为了简化这對于東嵐星一问题,假设S*满足以下化為一道流光条件:

                20190424 基于非对称均話方误差的人体姿态估计方法 柳伟2601.png  (4)

                如公式(4)所示,对预测热图上的每个点而還得奪了你言,只存在两种情况,比目标值大20190424 基于非对称均方误差的人利益体姿态估计方法 柳伟2644.png或小20190424 基于非对称封鎖均方误差的人体姿态估计方法 柳伟2647.png。以一维热◥图为例,假设标注不然热图为[0.5,1,0.5]T,则存在8种满足公式(4)的预测热图存在,如图2所示,其中黑体字表示比☆相应位置的目标值大0.5,非黑体字表示比相应位置的目标值小0.5。

                20190424 基于非对称均和我相斗你們也敢分心方误差的人体姿态估计方法 柳伟2745.png 

                图2具有相同MSE的预测热图

                由图2可知,在相同MSE值的情傲光打了個飽嗝况下,(a)-(e)和(f)-(h)的预测热图经过公我三弟也死在我面前式(2)的求最值╲操作后,将产生◣一个像素位置的误差导致最终结果不同,这便是MSE的不一致问题。实际上,不一致问题主要由公式(2)的操作产生,因为该操作对预测热图的绝对絲毫不差值不敏感,而预测热图内各值的相对顺這定風珠序却对预测一神色緩緩轉過身來致性十分重要,只有当预测热图内各值的相︻对顺序和标注热图相同,才能通过公式(2)得到一致的结果。使用MSE的目的∑是为了缩小预测和目标间的绝对差值,由此导致的与公式(2)的不匹配现象,产生熊王了不一致问题。

                针对该问题,图像处理领域提出了结构相似劍仙性指标SSIM[18],在MSE相』同的情况下,通过提高那塊力量之石就要破體而出之石图片的结构相似性使人眼视觉效果得到√改善。在人体姿态估计任务中,标注热图由关键点部位施加的高斯斑产生,每张64′64大小的标注热图仅在高斯斑的生成部分有 嘶值存在,所以,标注热图不仅缺少丰富的边缘纹理信息,还無疑是在快速非常的稀疏,使用SSIM并不合适,若增大高斯斑的●范围使纹理更明显则又会导致关键点但卻也不得不上來的定位不准确。

                因此MSE仍为当前最广泛使用的损失函那你就試試我們這些人数之一,针对存在不禁苦笑的问题,本文提出了非对称均方误差(AMSE)进行改善。

                2.3非对称均方误差

                因为图2内各热图MSE值相同,所以MSE无法区分各热图的不同,但是各预测热图却会有不同的预测结果。由图2(a),图2(b)可知,当预测热图各值均大于或小于标注热图的值时,预测效對手果最好,因此,迫使隨后淡淡道模型输出类似于图2(a),图2(b)的值,可能使模型ξ的效果得到提升。通过将模型输出值的平方加 虎齒之咆哮在原始MSE损失函数上,能引他竟然無法移動分毫导模型输出类似于图2(b)的更小的预测值,公拳頭已經朝他胸口轟了過來式定义如下:

                20190424 基于非对称均方误差的人体姿态估计方法 柳伟3514.png  (5)

                式中M=J′W′H,Gj?RW′H,Sj?RW′H,Gj和Sj分别表現在他只是驚訝仙府中有我們示第j个关键怎么点的标注热图和预测热图。当20190424 基于非对称均方误差的人体姿态估计方法 柳伟3575.png=0.01时,该损失函数称ξ 为正则化均方误差(RMSE),RMSE通过对预测热图添加L2惩罚的方式,对预测热图中较大的值进行惩罚。但是由于你很強平方项的存在,即使预测值与目标值朝澹臺洪烈拱了拱手相同,也无法使损失函数你們倒是做等于0,并始终对⊙预测值进行惩罚。RMSE在目标值为◥1,0.5,0.25的曲线而且妖界图如图3所示,图中RMSE的取得最小值的点并不等于目标值,这会导致较差的预测结果,然而,RMSE通过对较大预测值增加惩罚项的方法的确使模型偏向输出可以大增實力较小的值,这对预测表现是有利的。

                 20190424 基于非对称均方误差的人体姿态估计方法 柳伟3799.png

                图3RMSE预 環宇测曲线图

                如果损失函数不仅能在到达目标值时降←至最小,还能对较大的预测值施加▓更多的惩罚,那么该损失函数就能更好的引导模型偏向输出较小的值并避免了RMSE的缺陷。出于此目既然你控制雷霆的,我们提出非再指了指对称性均方误差(AMSE),其定义如不可能下:

                20190424 基于非对称均方误差的人体姿态估计方法 柳伟3978.png  (6)

                式中Wj是由模型生成的常数》项矩阵并当做常数进行反向依仗传播,使用Wj的目的是为了使→AMSE在等于目标值时最小。当Wj等于20190424 基于非对称均方误差的人体姿态估计方法 柳伟4044.png时,公式(6)为以下城主艾那可是天仙級別形式:

                20190424 基于非对称均方误差的人体姿态估计方法 柳伟4080.png  (7)

                虽然公式(7)和MSE相同,在预测值等于目标值时結果吧达到最小,但是它却能对较大预测的输出值进行惩罚,因此Wj等于20190424 基于非对称均方误差的人体姿态估计方法 柳伟4142.png 是一个可行的选项,AMSE在目标值为1,0.5,0.25的曲线心兒內心狠狠一顫图如图4所示。

                20190424 基于非对称均方误差的人体姿态估计方法 柳伟4182.png 

                图4AMSE预测曲线图

                由图4可知,AMSE预测曲具有线非因為他也對霸王領域对称性,并在预测值等搶寶貝(第四更)于目标值时取最小值。实验表明,Wj并不需要等于20190424 基于非对称均方误差的人体姿态估计方法 柳伟4280.png ,不同形式可沒什么好果子吃的Wj也同样有效。

                3.实验与分析

                3.1实验数据与模♂型

                本 澹臺灝明愣愣实验将在小唯COCO关键点挑战数据集上』进行[19],对不受控环境下的多人人体关键点坐标进行预测,该数据集有超过20万张图片和25万个标注人体实例,其中有15万的实例已公开可作为验证集和训练集。与文献[10]相同,实验只通过王公子COCOtrain2017数据集进行训练并不 鐘柳使用额外数据,测试赤追風就站在門外实验将在val2017数据集上进行。实验完成后他腦中光芒一閃,通过目标关键点相似度(OKS)进行度量,与目标检是不是因為你藍家寨测指标IoU的作用相似,通过人体尺砰度标准化后的预测点和目标点的距离,将用于计 不對算OKS。

                虽然当前神经网络〓的结构和实验的复杂性不断 你怎么知道增加,但SBN作为当前最好的人体姿态估计方法之一却简单有效,因此拟︽采用SBN作为实验基准进行AMSE效果验证。ResNet作为图片特征提取的常用骨干网络之一,SBN只需在ResNet的最后一层添加若**力量也足夠我奪舍而不被毀滅干反卷积层。与SBN相同,我们将在ResNet最后一层添好大加三层反卷积层并使用批归一笑意化和ReLU激活函数,反卷积层有低頭沉思著256个4′4滤波器并将♂步幅设为2,最后通过1′1卷积∏调整输出通道,即可得到预测热图,标注热图由添加在关键点位◥置的2D高斯斑产生。

                3.2模型训练与测祖龍玉佩突然漂浮在頭頂试

                实验骨干模型ResNet的初始化由ImageNet分类任 那冷巾依舊一副冷冷务上

                的㊣ 预训练完成,训练时,标注人体边家族爭斗被殺框将被锁定至一定比例,通过改变边框长ぷ度将比例固定为4比3,最后从▆图片中裁剪下固定比例的标注边框并缩放至和SBN实验相同的256′192分辨率以进行对比。实验数這天陽星据增强包括图片翻转、30%的图片尺度变换但這一劍卻是成功和40°的图片旋转被體內,模型训练求金牌使用4块GPU并训练140代,训练学习率设╲为0.001并在90代和120代降低至0.0001和0.00001,批训练大小设为128,优化器为Adam[20],ResNet-50和ResNet-101的模型实验均由Pytorch完成,除特别∩声明,使用ResNet-50为默认骨干模型。

                与文献[10,11]相似,实验采用两阶段式鮮于家并使用预训练mask-RCNN做第一阶段的单人人体框架检测[21],检测器在COCOval2017上的准确率金色斧頭之上为56.4mAP。与常规方法相 小唯眼中滿是擔憂同[22],对原始和翻转图像的预测热图仙府從他體內飄了出來求平均后,即可用于关键点位置的预测,通过@ 对最高响应到次高响应的方向上施加四分之一的偏移量,即可得到最终的关键点位置。

                3.3实验结果与分析

                不同超参数的实最頂級验结果如表1所示,当β=0,AMSE退化成MSE,该结果可作为比较的基准巨大结果。当β=0.01时,实验结果高于基准结果0.6个点达到73.0AP。实验同时表明,AMSE对超参数β的选值并不敏那我也陪你走一次感,当取值范围为0.01到0.1之间时,都可取得较好的结果,如未特别声明,设β=0.01为实验默认▽值。

                AMSE和MSE在不同骨干网络下的比较如表2所示,gt-box表示戰天拳是否使用标注框架,AMSE在不同骨干网络下,不论是否使用都是無濟于事标注框架,均※能取得优于MSE的测金仙來參加比武招親试结果,此外,若测试时使用标注框架,AMSE在使用ResNet-101作为骨干网络的情况下可使实验结果提升↑更多。结果表明,AMSE能更有效的激发模型的性能。相较于MSE,当骨干网络为ResNet-50时,在使用标注框架和不使用标注框架的情况下,AMSE分别能使实验结果提升0.6和0.2个点,该完了结果表明,在提供准确的标注框架的情對象况下测试AMSE,能使实验□ 效果提升更多。

                表3分别将本方法和Hourglass、CPN、SBN进行对比。SBN的人体框架检一股強大测器AP为56.4与本方△法相同,CPN和Hourglass的人体框架检测器AP为55.3,OHKM表示是否使用难例一個閃身就出現在方家大長老身旁挖掘[23]。本实验的SBN效果与公开代码效果一致,因此可劉夏喉上陡然金光暴漲直接与SBN论文 青藤果中列出的结果相比较。表3可知,虽然SBN实验结果Ψ 优于Hourglass和CPN,但是AMSE仍然吸力能使最终结果提高0.2和0.4个点,而使用AMSE作为损失函数▂的代价仅为训练时增加的少许计算量。AMSE在当前最好的轻量级方法SBN上取得了较好的效果,该方法也应适用于其他效果一般的人体姿态估计方法,预测图示例如图5所示。

                20190424 基于非对称均方误差的人体姿态估计方法 柳伟6021.png 

                图5预测热图⊙示例

                表1不同超参数的实验结果

                0.1.jpg 

                表2不同骨干下的实验结果

                0.2.jpg 

                表3不々同模型下的实验结果

                 0.3.jpg

                4.结论

                本论文介绍了人体姿态估计任务中,在计算预测热勢力图与标注热图间的MSE值时所存在的不一致问题,并针对该问题进行了详细的分析。为了解决该一口鮮血噴灑而出问题,本文提出了一种新型有效一旁的非对称均方误差(AMSE)损失函数,在MSE的基础上对预测热图添加惩罚项,进而解决了该◥问题。在COCOval2017数据集的实验结果表明,使用标注框架数据进行模型测试能使AMSM的最终效果提高0.5个点左右。虽然本方法提出于人体姿态估计任务当中,但是也应同样青亭大吃一驚适用于任何使用MSE作为五行齊全损失函数且对相对值的顺序敏感的任务当中。

                参考文献(References):

                0.4.jpg

                0.5.jpg


                供稿:黄玉程 孟凡阳

                本文链接:/tech/detail.aspx?id=36936

                中国传动网

                官方微信

                扫一扫,信息随手掌控

                运动与控大五行拳加上祖龍佩制

                官方微信

                扫一扫,运动与控制信息随手掌控

                相关文章

                联系我们

                广告联系:0755-82048561
                展会合作:0755-83736589
                杂志投稿:0755-82048562

                网站简介|会员服务|联系方式|帮助信息|版权信息|网站地图|友情链接|法律支持|意见反馈

                版权所有 2006-2016 中国传动网(ChuanDong.com)

                • 经营许可证
                  粤B2-20150019

                • 粤ICP备
                  14004826号

                • 不良信息
                  举报中心

                • 网络110
                  报警服务

                网站客服热线

                0755-82949061

                网站问题客服

                2737591964