對(duì)于視覺識(shí)別中的區(qū)域?qū)哟魏拖袼貙哟螁栴}，分類網(wǎng)絡(luò)（如ResNet、VGGNet等）學(xué)到的表征分辨率比較低，在此基礎(chǔ)上恢復(fù)的高分辨率表征空間區(qū)分度仍然不夠強(qiáng)，使其在對(duì)空間精度敏感的任務(wù)上很難取得準(zhǔn)確的預(yù)測(cè)結(jié)果。為此，微軟亞洲研究院視覺計(jì)算組提出高分辨率深度神經(jīng)網(wǎng)絡(luò)（HRNet），對(duì)網(wǎng)絡(luò)結(jié)構(gòu)做了基礎(chǔ)性的改變，由傳統(tǒng)的串行連接高低分辨率卷積，改成并行連接高低分辨率卷積，通過全程保持高分辨率和對(duì)高低分辨率表征的多次信息交換來學(xué)到豐富的高分辨率表征，在多個(gè)數(shù)據(jù)集的人體姿態(tài)估計(jì)任務(wù)中取得了最佳的性能。

前言

視覺識(shí)別主要包括三大類問題：圖像層次（圖像分類），區(qū)域?qū)哟危繕?biāo)檢測(cè)）和像素層次（比如圖像分割、人體姿態(tài)估計(jì)和人臉對(duì)齊等）。最近幾年，用于圖像分類的卷積神經(jīng)網(wǎng)絡(luò)成為解決視覺識(shí)別問題的標(biāo)準(zhǔn)結(jié)構(gòu)，比如圖1所示的LeNet-5。這類網(wǎng)絡(luò)的特點(diǎn)是學(xué)到的表征在空間分辨率上逐漸變小。我們認(rèn)為分類網(wǎng)絡(luò)并不適合區(qū)域?qū)哟魏拖袼貙哟蔚膯栴}，因?yàn)閷W(xué)到的表征本質(zhì)上具有低分辨率的特點(diǎn)，在分辨率上的巨大損失使得其在對(duì)空間精度敏感的任務(wù)上很難取得準(zhǔn)確的預(yù)測(cè)結(jié)果。

圖1. 典型的卷積神經(jīng)網(wǎng)絡(luò)：LeNet-5。其它典型的卷積神經(jīng)網(wǎng)絡(luò)，如AlexNet、VGGNet、GoogleNet、ResNet、DenseNet等，表征的空間分辨率均從大逐漸變小。

為了彌補(bǔ)空間精度的損失，研究者們?cè)诜诸惥矸e神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，通過引入上采樣操作和/或組合空洞卷積減少降采樣次數(shù)來提升表征的分辨率，典型的結(jié)構(gòu)包括Hourglass、U-Net等（如圖2）。

在這類網(wǎng)絡(luò)結(jié)構(gòu)中，最終的高分辨表征主要來源于兩個(gè)部分：第一是原本的高分辨率表征，但是由于只經(jīng)過了少量的卷積操作，其本身只能提供低層次的語義表達(dá)；第二是低分辨率表征通過上采樣得到的高分辨率表征，其本身雖然擁有很好的語義表達(dá)能力，但是上采樣本身并不能完整地彌補(bǔ)空間分辨率的損失。所以，最終輸出的高分辨率表征所具有的空間敏感度并不高，很大程度上受限于語義表達(dá)力強(qiáng)的表征所對(duì)應(yīng)的分辨率。

圖2. 從低分辨率表征恢復(fù)高分辨率表征

我們認(rèn)為不應(yīng)該局限于從分類卷積神經(jīng)網(wǎng)絡(luò)生成的低分辨率表征來恢復(fù)高分辨率表征這一路線，而應(yīng)該為高分辨率表征學(xué)習(xí)建立新的網(wǎng)絡(luò)結(jié)構(gòu)。基于此，我們提出了高分辨率深度神經(jīng)網(wǎng)絡(luò)（High-Resolution Network，HRNet），在網(wǎng)絡(luò)整個(gè)過程中始終保持高分辨率表征，同時(shí)多次在高低分辨率表征之間進(jìn)行信息交換，從而學(xué)到足夠豐富的高分辨率表征。

實(shí)驗(yàn)證明HRNet在人體姿態(tài)估計(jì)，以及圖像分割、人臉對(duì)齊和目標(biāo)檢測(cè)等問題上取得了不錯(cuò)的結(jié)果。我們相信HRNet將取代分類深度神經(jīng)網(wǎng)絡(luò)成為計(jì)算機(jī)視覺識(shí)別等應(yīng)用的新的標(biāo)準(zhǔn)結(jié)構(gòu)。關(guān)于人體姿態(tài)估計(jì)的論文已發(fā)表在CVPR 2019 [1]，相關(guān)代碼已在GitHub上開源[2, 3]。

GitHub鏈接：

https://github.com/HRNet

高分辨率網(wǎng)絡(luò)

我們?cè)贖RNet的整個(gè)網(wǎng)絡(luò)中始終保持高分辨率表征，逐步引入低分辨率卷積，并且將不同分辨率的卷積并行連接。同時(shí)，我們通過不斷在多分辨率表征之間進(jìn)行信息交換，來提升高分辨率和低分辨率表征的表達(dá)能力，讓多分辨率表征之間更好地相互促進(jìn)，結(jié)構(gòu)如圖3所示。HRNet與先前的分類卷積神經(jīng)網(wǎng)絡(luò)有著基礎(chǔ)性的區(qū)別：先前的分類將分辨率從高到低的卷積串行連接，HRNet則是并行連接。

圖3. 高分辨率網(wǎng)絡(luò) （High-Resolution Network，HRNet）

關(guān)于多分辨率表征信息交換，這里以三個(gè)分辨率輸入和三個(gè)分辨率輸出為例，如圖4所示。每一個(gè)分辨率的輸出表征都會(huì)融合三個(gè)分辨率輸入的表征，以保證信息的充分利用和交互。將高分辨率特征降到低分辨率特征時(shí)，我們采用stride為2的3x3卷積；低分辨率特征到高分辨率特征時(shí)，先利用1x1卷積進(jìn)行通道數(shù)的匹配，再利用最近鄰插值的方式來提高分辨率。相同分辨率的表征則采用恒等映射的形式。

圖4. 多分辨率表征信息交換

實(shí)驗(yàn)

HRNet保持高分辨率表征，利用重復(fù)的多分辨率表征信息交換增強(qiáng)其表達(dá)能力，使模型所學(xué)的表征在空間精度上有顯著的提升。實(shí)驗(yàn)中，我們首先在MS COCO數(shù)據(jù)集中的關(guān)鍵點(diǎn)檢測(cè)任務(wù)上進(jìn)行了消融實(shí)驗(yàn)，驗(yàn)證了表征分辨率的重要性和重復(fù)的多分辨率表征信息交換的有效性；然后在MS COCO、PoseTrack等標(biāo)準(zhǔn)數(shù)據(jù)集中與最先進(jìn)的方法進(jìn)行公平對(duì)比，都取得了更好的性能。

1. 表征分辨率對(duì)性能的影響

HRNet可輸出4種分辨率的表征（1x、2x、4x、以及8x），我們針對(duì)不同的網(wǎng)絡(luò)輸出分辨率在兩組模型上做了對(duì)比實(shí)驗(yàn)，如圖5所示。

圖5. 網(wǎng)絡(luò)輸出分辨率對(duì)結(jié)果的影響，1x、2x和4x分辨率表征在人體姿態(tài)估計(jì)的性能。

從圖5中，我們可以清楚地看到，網(wǎng)絡(luò)輸出表征的分辨率降低會(huì)使得模型的性能有巨大的損失。分辨率在2x時(shí)，性能降低了接近6% AP，4x時(shí)降低了20% AP。這體現(xiàn)了表征分辨率對(duì)于空間精度的重要性。

2. 多分辨率表征信息交換對(duì)性能的影響

圖6. 藍(lán)色框內(nèi)為階段內(nèi)的多分辨率表征信息交換（Int. exchange within），綠色框?yàn)殡A段間的多分辨率表征信息交換（Int. exchange across），紅色框?yàn)樽罱K的多分辨率表征信息交換（Final exchange）。

表1. 多尺度特征融合對(duì)性能的影響，實(shí)驗(yàn)中每個(gè)網(wǎng)絡(luò)是從隨機(jī)初始化開始訓(xùn)練的。

我們考慮了三種信息交換（如圖6），結(jié)果如表1?？梢钥吹剑喾直媛时碚餍畔⒔粨Q可以將不同分辨率的表征信息進(jìn)行充分的交換利用，對(duì)表征增強(qiáng)的作用十分明顯，可以到達(dá)2.6% AP的提升。

3. 在標(biāo)準(zhǔn)數(shù)據(jù)集上的性能

MS COCO數(shù)據(jù)集是關(guān)鍵點(diǎn)檢測(cè)的最權(quán)威的數(shù)據(jù)集之一，我們?cè)谠摂?shù)據(jù)上對(duì)我們的方法進(jìn)行驗(yàn)證，結(jié)果如表2所示。

表2. COCO test-dev上與最先進(jìn)方法的性能比較

我們可以看到，在相同的輸入圖像大小下，我們的小模型HRNet-W32在參數(shù)量和計(jì)算量都小于SimpleBaseline（ResNet-152）一半的情況下，取得了1.2% AP的提高，而大模型HRNet-W48取得了1.8% AP的提升，在引入額外數(shù)據(jù)的情況下，大模型展現(xiàn)了更強(qiáng)的表達(dá)能力，有更顯著的提升。

表3. 在Pose-Track數(shù)據(jù)集上與最先進(jìn)方法的性能比較

在表3中，我們?cè)赑ose-Track數(shù)據(jù)集的兩個(gè)任務(wù)上進(jìn)行了驗(yàn)證：（1）多幀人體姿態(tài)估計(jì)，可以利用其他幀的信息估計(jì)某幀的姿態(tài)；（2）多幀人體姿態(tài)跟蹤，需要把不同幀間的同一個(gè)人的姿態(tài)關(guān)聯(lián)起來。前者性能用mAP來評(píng)價(jià)，后者性能用MOTA來評(píng)價(jià)?？梢钥吹皆趦蓚€(gè)任務(wù)上，我們都取得了最好的性能。

結(jié)語

我們改變了現(xiàn)有的基于分類網(wǎng)絡(luò)的人體姿態(tài)估計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)，提出了高分辨率深度神經(jīng)網(wǎng)絡(luò)（HRNet）。該網(wǎng)絡(luò)能夠成功學(xué)到足夠豐富的高分辨率表征的原因在于，整個(gè)過程保持高分辨率，以及多次對(duì)高低分辨率表征進(jìn)行信息補(bǔ)足。HRNet在多個(gè)數(shù)據(jù)集的人體姿態(tài)估計(jì)任務(wù)中取得了當(dāng)前最好的性能，也在圖像分割、人臉對(duì)齊和目標(biāo)檢測(cè)等問題上取得了不錯(cuò)的結(jié)果。我們相信HRNet將取代以分類網(wǎng)絡(luò)為基礎(chǔ)的網(wǎng)絡(luò)架構(gòu)，成為計(jì)算機(jī)視覺識(shí)別等應(yīng)用的新標(biāo)準(zhǔn)結(jié)構(gòu)。