作者：顺达

最近夸克端智能小组在做端上的实时文档检测，即输出一张RGB图像，失去文档的四个角的关键点的坐标。整个pipelines属于关键点检测算法，因而最近对相干畛域的论文进行浏览和进行了试验尝试。

将关键点检测算法依照不同模块进行拆分，能够分成以下几个局部，每个局部都有相干的办法能够进行优化：

1. 图片解决：包含数据光学加强，变换，resize，crop等操作，裁减图片的多样性；
2. 编码：指的是在训练中，如何将坐标转换成所须要的label，用于监督模型的输入；
3. 网络模型：指的是网络结构，能够有backbone/FPN/detection head等局部组成；
4. 解码：指的是如何将模型推理的后果转换成所须要的坐标模式，如笛卡尔坐标系下的坐标。

Related Works

关键点检测中次要有两条技术计划：

1. 相似人脸检测，模型输入的后果tensor通过fc层，间接失去一维的向量，通常是归一化后关键点坐标值；
2. 相似人体姿势预计，模型输入的后果tensor通过argmax等形式，获取heatmap中相应大的坐标，最初将此坐标复原至原图坐标。

近年来，基于heatmap来进行关键点检测的计划居多，其次要起因是基于heatmap的成果要好于应用全连贯层进行回归的计划。所以，咱们采纳的计划也是基于heatmap的，上面是近几年的一些相干论文工作。

DSNT

[1] Nibali A , He Z , Morgan S , et al. Numerical Coordinate Regression with Convolutional Neural Networks[J]. 2018.

思路

目前，在模型输入的heatmap到数值坐标的转换中，有两种形式：

1. 通过对heatmap中取argmax，失去相应最大的点，以此来转换成数值坐标。此种形式具备较好的空间泛化性，然而因为在训练中argmax是不可导的，通常应用heatmap来迫近编码的高斯热例图，这会导致损失函数与最终评估指标的不统一。其次，在推理阶段，只应用到最大响应的坐标点来计算数值坐标，而在训练阶段，所有坐标点都对损失有奉献。第三，通过heatmap转换成数值坐标，是会存在理论误差上限的；
2. 通过在heatmap后接fc层，转换成数值坐标。此种办法让梯度从数值坐标回传到input中，然而后果重大依赖与数据分布（例如在训练集中，一个物体始终呈现在坐标；而在测试集中，这个物体呈现在左边，这样就会导致预测谬误）。其次，通过fc转换，失落了heatmap的空间信息。

针对上述的两种计划，作者兼容了这两种计划的长处（端到端优化和放弃空间泛化性），提出一种可微分的形式来失去数值坐标。

具体步骤

1. 模型的输入1KH*W个heatmaps，其中K示意关键点的数量；
2. 将每个通道的heatmap归一化，让其值都为非负且和为1，从而失去 norm_heatmap 。这么做的目标是，应用归一化后的heatmap保障了预测的坐标位于heatmap的空间范畴之内。同时， norm_heatmap 也能够了解成二维离散概率密度函数；
3. 生成 X 和 Y 矩阵，\( X_{(i,j)} = \frac{2j-(w+1)}{w} \)， \( Y_{(i,j)} = \frac{2i-(h+1)}{h} \)，别离示意x轴的索引和y轴的索引。能够了解成将图片的左上角缩放到 (-1,-1) 和右下角缩放到 (1,1) ；
4. 将X 和 Y 矩阵别离与 norm_heatmap 点乘，从而失去最终的数值坐标。这么做的起因是， norm_heatmap 示意概率密度函数， X 矩阵示意索引，两者点成示意预测x的均值。通过均值来示意最终的预测的坐标，这样的益处是，a)可微分；b)理论误差上限小。

损失函数loss

dsnt模块的损失函数由Euclidean loss 和JS正则束缚组成。前者用于回归坐标，后者用于束缚生成的热力求更加靠近高斯分布。

$$
L_{euc}(u,p) = ||p-u||_2
$$

$$
L_D(Z,p) =JS(p(c)||N(p,I)))
$$

长处

1. 整套模型是端到端训练的，损失函数与测试指标能对应；
2. 理论误差上限很小；
3. 引入 X 矩阵和 Y 矩阵，能够了解成引入先验，让模型的学习难度升高；
4. 低分辨率的成果仍然不错。

毛病

在试验中，发现当关键点位于图片边缘时，预测后果不好。

DARK

[1] Zhang F , Zhu X , Dai H , et al. Distribution-Aware Coordinate Representation for Human Pose Estimation[J]. 2019.

思路

作者发现将 heatmaps 解码后果，对生成最终数值坐标存在较大影响。因而钻研了规范的坐标解码形式的有余，提出一种散布已知的解码形式和编码方式，来进步模型的最终成果。

规范的坐标解码过程是，取得模型的 heatmaps 后，通过argmax找到最大响应点 m 和第二大响应点 s ，以此来计算最终的响应点 p :

$$
p=m+0.25\frac{s-m}{\left \| s-m \right \|_2}
$$

这个公式意味着最大响应点向第二大响应点偏移0.25个像素，这么做的目标是弥补量化误差。而后把响应点映射回原图：

$$
\hat{p} = \lambda p
$$

这也阐明， heatmap 中最大响应点并不是与原图的关键点准确对应，只是大略地位。

基于下面的痛点，作者基于散布已知的前提（高斯分布），提出新的解码形式，解决如何从 heatmap 中失去准确的地位，最小化量化误差。同时，提出了配套的编码方式

具体步骤

解码

假如输入的 heatmap 合乎高斯分布，那么 heatmap 就能够用上面函数示意

其中\( \mu \)示意关键点映射到 heatmap 的地位。咱们需要求\( \mu \)的地位，因而将函数g转换成最大似然函数

对\( P(\mu ) \)进行泰勒开展

其中，m示意在热力求中最大响应的地位。而\( \mu \)在热力求对应的是极点，存在以下性质

联合上述公式，能够失去

因而，为了失去 heatmap 中\( \mu \)的地位，能够通过 heatmap 的一阶导数与二阶导数求得。这步的作用是通过数学的办法来阐明该挪动间隔。

后面提及了假如输入的 heatmap 合乎高斯分布，理论状况是不合乎的，理论可能是多峰，因而须要对 heatmap 进行调制，让其尽量满足这个前提。具体做法是用高斯核函数来平滑 heatmap ，同时为了保障幅值统一，要进行归一化。

$$
{h}’=K\circledast h
$$

$$
{h}’=\frac{{h}’-min({h}’)}{max({h}’)-min({h}’)}*max(h)
$$

综上所述，步骤是：

1. 对 heatmap 应用高斯核来调制，并且缩放；
2. 求一阶导数和二阶导数，来失去\( \mu \)；
3. 将\( \mu \)映射回原图。

编码

编码指的是将关键点映射到 heatmap 上，并且生成高斯分布。

之前工作的做法是现对坐标进行下采样，而后将点进行量化（floor,ceil,round），最初应用量化后的坐标生成高斯函数。

因为量化是不可导的，存在量化误差，因而，作者提出不进行量化，应用float来生成高斯函数，这样就能生成无偏 heatmap 。

UDP

[1] Huang J , Zhu Z , Guo F , et al. The Devil is in the Details: Delving into Unbiased Data Processing for Human Pose Estimation[J]. 2019.

思路

作者从数据处理和坐标示意下手，以此来进步性能。作者发现，目前的数据处理形式是存在偏差的，特地是flip时，会与原数据不对齐；其次坐标表征也存在统计误差。这两个问题独特导致后果存在偏差。因而提出了一种数据处理形式unbiased data processing，解决图像转换和坐标转换带来的误差。

具体步骤

Unbiased Coordinate System Transformation

在测试中，通常应用翻转后的\( {k}’_{o,flip} \)与原始的\( {k}’_o \)进行叠加，来失去最终的预测后果。然而\( {k}’_o \)与\( {\hat{k}}’_o \)并不统一，存在偏差。能够看到翻转后的 heatmap 不与原来的 heatmap 对齐，会产生误差，与分辨率无关。

因而作者倡议应用 unit length 来代替图片长度：\( w=w^p-1 \)。这样翻转后的 heatmap 就对齐了。

Unbiased Keypoint Format Transformation

无偏的关键点转换形式应该是可逆的，即\( k=Decoding(Enoding(k)) \)。因而，作者提出了两种形式：

• Combined classification and regression format

借鉴了指标检测中anchor的形式，假如须要预测的关键点\( k=(m,n) \)，则将其转换成如下。其中C示意关键点的地位范畴，X和Y示意须要预测的offset。最终解码就是在热力求C上取到argmax，而后对X与Y的热力求上拿到对应地位的offset，最初进行相加失去数值坐标。

• Classification format

与DARK形式统一，即应用泰勒开展来迫近实在地位。

AID

[1] Huang J , Zhu Z , Huang G , et al. AID: Pushing the Performance Boundary of Human Pose Estimation with Information Dropping Augmentation[J]. 2020.

奉献点

对于关键点检测，外观信息与束缚信息同样重要。而以往的工作通常是过拟合外观信息，而疏忽了束缚信息。因而，本文心愿通过information drop，可了解成掩膜，来强调束缚信息。束缚信息有利于在该关键点被遮挡时，预测出其精确地位。

而以往工作没有应用到information drop的起因是，应用该数据加强伎俩后指标降落。作者就通过试验，发现information drop是有助于进步模型精度的，但须要批改响应的训练策略：

1. 加倍训练次数；
2. 先应用没有mask的来训练，失去一个比拟好的模型后，再把mask伎俩退出持续训练。

RSN

[1] Cai Y , Wang Z , Luo Z , et al. Learning Delicate Local Representations for Multi-Person Pose Estimation[J]. 2020.

奉献点

本文是2019年coco关键点检测冠军的计划。其本文的次要思维是，最大水平聚合具备雷同空间尺寸的特色，以此来取得丰盛的部分信息，部分信息有利于产生更加精确的地位。因而提出了RSN网络，如下图一所示。从图来看，即交融不同感触野特色。RSN的输入蕴含了low-level精确的空间信息与high-level语义信息，空间信息有助于定位，语义信息有助于分类。然而这两类信息给最终预测带来的影响权重是不统一的，须要应用到PRM模块来均衡，RPM模块实质就是一个通道注意力和空间注意力模块。

Lite-HRNet

[1] Yu C , Xiao B , Gao C , et al. Lite-HRNet: A Lightweight High-Resolution Network[J]. 2021.

奉献点

本文出了一个高效的高分辨率网络，是HRNet的轻量化版本，通过将ShuffleNet中的shuffle block引入到HRNet中。同时发现shuffleNet中大量应用了pointwise convolution（11卷积），是计算瓶颈，因而引入contional channel weight来取代shuffle block中的11卷积。网络的整体构造如下图所示。在模型中统一保留高分辨率特色，并一直交融high-level特色。

在后面提及到的contional channel weight如下所示。右边是ShuffleNet中的shuffle block，右图是contional channel weight。能够看到，采纳新模块来取代了1*1的卷积，实现跨stage信息交换与部分信息交换。其具体做法蕴含了Cross-resolution weight computation和Spatial weight computation。这两个模块的实质是注意力机制。

试验优化后果

模型构造

本次模型借鉴了CenterNet/RetiaFace/DBFace中的相干工作。本次的应用了dsnt的计划。次要起因是：须要运行在端上，实时性是首要思考因素。dsnt在低分辨率的劣势显著。

MobileNet v3应用small版本，FPN中应用 Nearest Upsample + conv + bn + Relu 来进行上采样。在训练时应用了 keypoints ， mask 和 center 分支；而预测时，只应用到了 keypoints 分支。

优化策略

在本次试验中，应用到了以下几种优化策略：

1. 应用 mask 与 center 分支来辅助学习。其中mask示意文档的掩膜，center示意文档的中心点；
2. 应用deep Supervise。应用4倍下采样特色图与8倍下采样特色图来进行训练，应用雷同的loss函数来监督这两层；
3. dsnt中对边缘点的成果不佳，因而，对图片进行padding，让点不再位于图片边缘；
4. 数据加强策略，除了惯例的光学扰动加强外，还对图片进行random crop、random erase和random flip等操作；
5. 进行loss函数尝试工作，对于关键点分支的loss，尝试过 euclidean loss ， l1 loss ， l2 loss 和 smoothl1 loss ，最终 smoothl1 loss 的成果最佳。

评估指标

• MSE

用于在训练中评估验证集的均方误差。

$$
mse = \frac{\sum |d_i – \hat{d_i}|_2^2}{N}
$$

• oks-mAP

oks用于评估预测与实在关键点之间的类似度，mAP的评估形式相似coco[0.5:0.05:0.95]的评估形式，这里取[0.99:0.001:0.999]。其中，oks进行肯定变换，\( d_{p,i} \)示意点的欧式间隔，$S_p$示意该四边形的面积。

$$
oks_{p,i} =e^{-\frac{d_{p,i}^2}{2S_p}}
$$

• 耗时

耗时指的是在红米8上，用MNN推理框架跑模型的均匀工夫。

试验后果

先构建一个baseline，baseline的模型为 moblieNet v3 + fpn + ssh module + keypoints 分支 + dsnt ，其中，都没有应用上述优化策略，应用4倍下采样特色图作为输入。

在v2版本中替换不同的loss函数。

此外，还尝试过其余有效的tricks：

1. 辅助工作有利于进步模型的指标，因而还退出了edge的分支来辅助学习。试验下来，退出该分支反而侵害模型的指标。可能起因是edge是利用gt关键点来生成的，可能某些edge并不是对应文档真正的边缘；
2. 现阶段是预测文档的4个角，因而在减少4个点来进行预测，别离是4条边的中心点，所以模型一共预测8个关键点。试验结果显示，指标也降落了。

Demo 演示

Demo 视频请点击此文章尾部查看。

总结

综上所述，在端上的文档关键点检测畛域中，目前尝试下来，是基于heatmap+dsnt的计划较优，oks-mAP的指标有晋升空间。然而，比照应用fc层进行回归坐标的形式，基于heatmap的计划中存在一个有余是：无奈依据文档的束缚信息，来预测图片外的关键点坐标。此计划的有余，会导致文档内容的缺失，摆正成果不佳的状况。因而，后续须要补救此有余。

如何高效开发端智能算法？MNN 工作台 Python 调试详解

关注咱们，每周 3 篇挪动技术实际&干货给你思考！