Learning Feature Pyramids for Human Pose Estimation 是发表在 ICCV 2017 的工作，论文提出了一个新的特征金字塔模块，在卷积网络中学习特征金字塔，并修正了现有的网络参数初始化方法，在人体姿态估计和图像分类中都取得了很好的效果。

论文复现代码：  http://aistudio.baidu.com/?_=1540892031956#/projectdetail/29380

LSP数据集简介

LSP && LSP_extended 

这个数据集是由 Flickr 上‘Volleyball’, ‘Badminton’, ‘Athletics’, ‘Baseball’, ‘Gymnastics’, ‘Parkour’, ‘Soccer’, ‘Tennis’（原数据集）, ‘parkour’, ‘gymnastics’, and ‘athletics’ （扩展集）等标签所构成。

每个图片都由 Amazon Mechanical Turk 和类似的途径标注而来，并不高度准确。这些图片被缩放至每个人大约 150 px 长度进行标注，包含了 14 个节点。 

LSP 地址：

http://sam.johnson.io/research/lsp_dataset.zip 

LSP 样本数：2000 个（全身，单人） 

LSP_extended 地址：

http://sam.johnson.io/research/lspet_dataset.zip 

LSP_extended 样本数：10000 个（全身，单人） 

LSP && LSP_extended 共 12000 个标注，节点是以下 14 个： 

{1. Right ankle 2. Right knee 3. Right hip 4. Left hip 5. Left knee 6.Left ankle 7.Right wrist 8. Right elbow 9. Right shoulder 10. Left shoulder 11. Left elbow 12. Left wrist 13. Neck 14. Head top} 

由于是单人数据集，该数据集的训练难度比多人数据集更简单。

MPII数据集简介

MPII 人体姿势数据集是人体姿势预估的一个 benchmark，数据集包括了超过 40k 人的 25000 张带标注图片，这些图片是从 YouTube video 中抽取出来的。在测试集中还收录了身体部位遮挡、3D 躯干、头部方向的标注。 

MPII 地址：

http://human-pose.mpi-inf.mpg.de/#overview 

MPII 样本数：25000 个（单人、多人） 

包括以下 16 类标注： 

{Head – 0, Neck – 1, Right Shoulder – 2, Right Elbow – 3, Right Wrist – 4, Left Shoulder – 5, Left Elbow – 6, Left Wrist – 7, Right Hip – 8, Right Knee – 9, Right Ankle – 10, Left Hip – 11, Left Knee – 12, Left Ankle – 13, Chest – 14, Background – 15}

数据集处理

MATLAB格式读入

文件 joints.mat 是 MATLAB 数据格式，包含了一个以 x 坐标、y 坐标和一个表示关节可见性的二进制数字所构成的 3 x 14 x 10000 的矩阵。使用模块 scipy.io 的函数 loadmat 和 savemat 可以实现对 mat 数据的读写。读入后对原始标注进行转置，转置目的是分离每个图片的标注。

import scipy.io as sio
import numpy as np
data = sio.loadmat(self.lsp_anno_path[count])
joints = data[joints]
joints = np.transpose(joints, (2, 1, 0))

          

JSON格式读入 

MPII 数据集是以 JSON 格式进行的标注，可以通过 JSON 库进行读入。

import json
anno = json.load(self.mpii_anno_pah)
          

将每个图片打包成（图片，标注，bounding box）的形式，bounding box 即图片大小，其目的是将大小不一的图片处理成 256 x 256 的大小。

from PIL import Image
for idd, joint_idd in enumerate(joints):
    image_name = "im%s.jpg" % str(idd + 1).zfill(5) if count else "im%s.jpg" % str(idd + 1).zfill(4)
    joint_id = idd + len(joints) if count else idd
    im_path = os.path.join(self.lsp_data_path[count], image_name)
    im = Image.open(im_path)
    im = np.asarray(im)
    shape = im.shape
    bbox = [0, 0, shape[1], shape[0]]
    joint_dict[joint_id] = {imgpath: im_path, joints: joint_idd, bbox: bbox}
          

数据增强 

作者用到了几种数据增强的手段：

• 缩放 scale 

• 旋转 rotate 

• 翻转 flip 

• 添加颜色噪声 add color noise

缩放

读入数据后，需要先把大小不一的标注图片统一转换成 256 x 256。

对于 LSP 测试集，作者使用的是图像的中心作为身体的位置，并直接以图像大小来衡量身体大小。数据集里的原图片是大小不一的（原图尺寸存在 bbox 里），一般采取 crop 的方法有好几种，比如直接进行 crop，然后放大，这样做很明显会有丢失关节点的可能性。也可以先把图片放在中间，然后将图片缩放到目标尺寸范围内原尺寸的可缩放的大小，然后四条边还需要填充的距离，最后 resize 到应有大小。 

这里采用的是先扩展边缘，然后放大图片，再进行 crop，这样做能够保证图片中心处理后依然在中心位置，且没有关节因为 crop 而丢失。注意在处理图片的同时需要对标注也进行处理。 

要注意 OpenCV 和 PIL 读入的 RGB 顺序是不一样的，在使用不同库进行处理时要转换通道。

import cv2
big_img = cv2.copyMakeBorder(img, add, add, add, add, borderType = cv2.BORDER_CONSTANT, value=self.pixel_means.reshape(-1))
#self.show(bimg)  
bbox = np.array(dic[bbox]).reshape(4, ).astype(np.float32)
bbox[:2] += add
if joints in dic:
    process(joints_anno)
objcenter = np.array([bbox[0] + bbox[2] / 2., bbox[1] + bbox[3] / 2.])
minx, miny, maxx, maxy = compute(extend_border, objcenter, in_size, out_size)
img = cv2.resize(big_img[min_y: max_y, min_x: max_x,:], (width, height))
  

示例图：  

▲ 左：原图，右：缩放后示例图的十四个标注点： 

(88.995834, 187.24898)；(107.715065, 160.57408)；(119.648575, 124.30561) (135.3259, 124.53958)；(145.38748, 155.4263)；(133.68799, 165.95587) (118.47862, 109.330215)；(108.41703, 104.65042)；(120.81852, 84.05927) (151.70525, 86.63316)；(162.93677, 101.14057)；(161.29883, 124.773575) (136.0279, 85.93119)；(138.13379, 66.509995)

旋转 

旋转后点的坐标需要通过一个旋转矩阵来确定，在网上的开源代码中，作者使用了以下矩阵的变换矩阵围绕着 (x,y) 进行任意角度的变换。

在 OpenCV 中可以使用：

cv2.getRotationMatrix2D((center_x, center_y) , angle, 1.0)
newimg = cv2.warpAffine(img, rotMat, (width, height))

  

得到转换矩阵，并通过仿射变换得到旋转后的图像。而标注点可以直接通过旋转矩阵获得对应点。

rot = rotMat[:, : 2]
add = np.array([rotMat[0][2], rotMat[1][2]])
coor = np.dot(rot, coor) + w
  

该部分代码：

def rotate(self, img, cord, anno, center):
    angle = random.uniform(45, 135)
    rotMat = cv2.getRotationMatrix2D((center[0], center[1]) , angle, 1.0)
    newimg = cv2.warpAffine(img, rotMat, (width, height))
    for i in range(n):
        x, y = anno[i][0], anno[i][1]
        coor = np.array([x, y])
        rot = rotMat[:, : 2]
        add = np.array([rotMat[0][2], rotMat[1][2]])
        coor = np.dot(rot, coor) + add
        label.append((coor[0], coor[1]))
    newimg = newimg.transpose(2, 0, 1)
    train_data[cnt++] = newimg
    train_label[cnt++] = np.array(label)
  

翻转

使用 OpenCV 中的 flip 进行翻转，并对标注点进行处理。在 OpenCV 中 flip 函数的参数有 1 水平翻转、0 垂直翻转、-1 水平垂直翻转三种。

def flip(self, img, cod, anno_valid, symmetry):
    对图片进行翻转
    newimg = cv2.flip(img, 1)
    train_data[counter] = newimg.transpose(2, 0, 1)
    处理标注点，symmetry是flip后所对应的标注，具体需要自己根据实际情况确定
    for (l, r) in symmetry:
        cod[l], cod[r] = cod[l], cod[r]
    for i in range(n):
        label.append((cod[i][0],cod[i][1]))
    train_label[cnt++] = np.array(label)
  

添加颜色噪声

我所采用的方法是直接添加 10% 高斯分布的颜色点作为噪声。人为地损失部分通道信息也可以达到添加彩色噪声的效果。

def add_color_noise(self, image, percentage=0.1):
    noise_img = image 
    产生图像大小10%的随机点
    num = int(percentage*image.shape[0]*image.shape[1])
    添加噪声
    for i in range(num): 
        x = np.random.randint(0,image.shape[0]) 
        y = np.random.randint(0,image.shape[1]) 
        for j in range(3):
            noise_img[x, y, i] = noise_img[x, y, i] + random.gauss(2,4)
            noise_img[x, y, i] = 255 if noise_img[x, y, ch] > 255 else 0
    return noise_img
  

除此之外，以下数据增强的方法也很常见：

1. 从颜色上考虑，还可以做图像亮度、饱和度、对比度变化、PCA Jittering（按照 RGB 三个颜色通道计算均值和标准差后在整个训练集上计算协方差矩阵，进行特征分解，得到特征向量和特征值）； 

2. 从图像空间性质上考虑，还可以使用随机裁剪、平移；

3. 从噪声角度，高斯噪声、椒盐噪声、模糊处理； 

4. 从类别分布的角度，可以采用 label shuffle、Supervised Data Augmentation（海康威视 ILSVRC 2016 的 report）。 

在这个具体例子中，进行数据增强的时候要考虑的是：1）形变会不会影响结果；2）会不会丢掉部分节点。

制作Paddle数据

使用 paddle.batch 批量读入数据，并制作成 Paddle 的数据格式。

reader = paddle.batch(self.read_record(test_list, joint_dict, 
                mode = train), batch_size=1)
fluid.recordio_writer.convert_reader_to_recordio_file("./work/test_"  + str(i) + "_test.recordio", 
                feeder=feeder, reader_creator=reader) 
  

其他数据相关内容

论文的评价标准

PCK：检测的关键点与其对应的 groundtruth 之间的归一化距离小于设定阈值的比例。在本篇论文中，作者将图片中心作为身体的位置，并以图片大小作为衡量身体尺寸的标准。 

PCK@0.2 on LSP && LSP-extended：以驱干直径为归一化标准。

PCKh@0.5 on MPII：以头部为归一化标准。

关于训练的过拟合抢救

对于容易过拟合的数据，数据增强是比较重要的，训练的时候学习率需要不能太大，当一次训练过拟合后，可以从 loss 曲线波动的地方回溯到较为平稳的点，并以平稳点的学习率为起点，以更低的学习率接上上次学习。

关于PaddlePaddle

查了一下资料，PaddlePaddle 最早在 16 年就已经对外开放，然而可能因为本人入门做机器学习时间较晚有关，在复现活动之前，我只是听过有一个开源深度学习平台而不知道其名字。

从官方开源的一些 demo 项目来讲，对推荐和文本处理方面的应用比较友好，搜索相关关键字也能获得很多入门的博客、在不同环境的安装指南，官方甚至还做了教学视频。

据说当前版本的 Fluid 在编写逻辑上和过去的版本已经有了很大的区别，在使用上直观的感受是和 TensorFlow 有一定的相似性。

但由于不熟悉这个框架，也会遇到一些问题：一开始在 AI 开放平台上找了半天没找到文档入口，在搜索引擎上才发现有另一个 paddlepaddle.org 的入口；当一些算子的名字和其他框架不太一样的时候，不太容易从文档里找到；不清楚不同版本之间的区别（能跑就行？）；官网介绍对大规模计算友好、对可视化的支持均没有体验；Notebook 非常容易崩等问题等等……

尽管如此，在使用一定时间后，我觉得还是觉得挺方便的。这个框架的使用群体目前并不多，对大公司来讲大家都有内部各自对 TensorFlow 的封装性优化平台，对入门者而言往往又不是那么首选.

从个人学习路径来讲，我觉得就 TensorFlow 和现在流行的 PyTorch 而言，前者是业界工程依赖程度高，后者是研究者使用方便，PaddlePaddle 需要有一个清晰的受众定位和有效的推广机制。