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：

這種動作的健身操也沒問題：

據瞭解，這個模型的尺寸，只有基於 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 釐米。

那麼這一模型到底是如何在有限的算力下產生極佳效能的呢？

基於編碼器-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。

在編碼器用於全域性特徵提取，而解碼器進行姿態估計的基礎架構上，研究團隊對其主幹網路、啟用函式，以及 Skip concatenation 功能都進行了修改。

先來看研究團隊選擇的主幹網路，MobileNetV2。

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

接下來，將 PReLU 函式用於實現啟用功能，其中 ai 為學習引數 yi 是輸入訊號。

這一函式中的可學習引數能夠在每一層網路都獲得額外的資訊，因此在人體姿勢估計任務中使用引數化 PReLU 時可提升效能。

▲修改了啟用函式後的 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匯出低級別特徵訊號（Lowlevel feature signal），不會降低效能。

引數量減少 5 倍，計算成本降到 1/3

團隊使用 Human3.6M 和 MuCo-3DHP 作為三維人體姿勢資料集，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。

且其引數量為 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）。

對於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座標，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 在一般場景中的效能都更好，且在少數場景中取得了最佳效能：

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 萬個引數，計算成本為 3.92GFLOPS。

作者介紹

論文的三位作者皆畢業於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