本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

長久以來，三維姿態估計都在追求準確性上一路狂奔。

但精度提高的同時，也帶來了計算成本的上升。

而剛剛被CPVR 2021接受的論文中所提出的模型，MobileHumanPose卻可以同時做到又小又好。

還是放在手機上都能hold得住的那種。來感受一下這個feel：

這種動作的健身操也沒問題：

據了解，這個模型的尺寸，只有基于ResNet-50的模型的1/7，算力達到了3.92GFLOPS。

而且平均每關節位置誤差（MPJPE），也只有大約5厘米。

那么這一模型到底是如何在有限的算力下產生極佳性能的呢？

基于編碼器-解碼器結構的改進

這是一個從基本的編碼器-解碼器結構改良得來的模型。

在編碼器用于全局特征提取，而解碼器進行姿態估計的基礎架構上，研究團隊對其主干網絡、激活函數，以及Skip concatenation功能都進行了修改。

先來看研究團隊選擇的主干網絡，MobileNetV2。

他們在MobileNetV2的前四個倒置殘差塊（Residual Block）處修改了通道大小，獲得了性能提升。

接下來，將PReLU函數用于實現激活功能，其中ai為學習參數 yi是輸入信號。

這一函數中的可學習參數能夠在每一層網絡都獲得額外的信息，因此在人體姿勢估計任務中使用參數化PReLU時可提升性能。

△修改了激活函數后的baseline

現在，模型的效率已經不低了，但考慮到推理速度，團隊使用Skip concatenation結構。這一結構能從編碼器到解碼器中導出低級別特征信號（Lowlevel feature signal），不會降低性能。

參數量減少5倍，計算成本降到1/3

團隊使用Human3.6M和MuCo-3DHP作為三維人體姿勢數據集，他們提出了MobileNetV2的大小兩個模型。

在Human3.6M上，MobileNetV2大模型實現了51.44毫米的平均每關節位置誤差。

且其參數量為4.07M，對比同類模型的20.4M（chen）減少了5倍，計算成本為5.49GFLOPS，是同類模型的1/3不到（14.1G）。

對于多人三維姿勢估計任務，研究者使用RootNet來估計每個人的絕對坐標，在MuPoTS的20個場景中進行了實驗：

實驗結果證明，對比Zerui Chen等研究者提出的獲ECCV 2020的三維人體姿態估計方法，MobileNetV2在一般場景中的性能都更好，且在少數場景中取得了最佳性能：

在模型效率上，MobileNetV2的大模型效率為2.24M/3.92GFLOPS，遠超同類模型的13.0M/10.7GFLOPS（Zerui Chen）。

而小模型也能實現56.94毫米的平均每關節位置誤差，有224萬個參數，計算成本為3.92GFLOPS。

作者介紹

論文的三位作者皆畢業于韓國高等技術研究院，一作Sangbum Choi為該校的電機及電子工程專業碩士。

論文：
https://openaccess.thecvf.com/content/CVPR2021W/MAI/html/Choi_MobileHumanPose_Toward_Real-Time_3D_Human_Pose_Estimation_in_Mobile_Devices_CVPRW_2021_paper.html

開源地址：
[1]https://github.com/SangbumChoi/MobileHumanPose
[2]https://github.com/ibaiGorordo/ONNX-Mobile-Human-Pose-3D