在高幀數下，如何實作人體姿态檢測？
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，能夠實作高幀數視訊中的多人姿态檢測。
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），都無法實作高幀數尤其是100以上幀數視訊的姿态檢測。
在COCO資料集上也不虛，相比谷歌PersonLab能在更高幀數下運作。
來看下具體資料，在頭、肩、肘部位和整體上半身識别中超過了其他方法，整體得分也不虛。
神奇“體位”大冒險
另外，正常的姿态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，兩個人重疊的圖像。
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
這是基于ResNet-18的PPN對多人姿勢檢測的過程：
a) 輸入圖像；
b) 從輸入圖像中檢測部分邊界框；
c) 檢測出肢體；
d) 區分圖中每個人。
這篇論文的方法是先将圖檔分割為較小的網格，使用較小的網絡對每一幅網格圖檔進行單次物體檢測範例，之後通過區域提議（region proposal）架構将姿态檢測重定義為目标檢測問題。
之後，使用單次CNN直接檢測肢體，通過新穎的機率貪婪解析步驟，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，并且可以僅使用公共關鍵點注釋進行監督。
整個架構由單個完全CNN構成，具有相對較低分辨率的特征圖，并使用專為姿勢檢測性能設計的損耗函數直接進行端到端優化，此架構稱為姿态提議網絡（Pose Proposal Network，PPN）。PPN借鑒了YOLO的優點。
原文釋出時間為：2018-09-9
本文作者：凹非寺
本文來自雲栖社群合作夥伴“
量子位”，了解相關資訊可以關注“
”。