對于視覺識別中的區(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，使其在對空間精度敏感的任務(wù)上很難取得準(zhǔn)確的預(yù)測結(jié)果。為此，微軟亞洲研究院視覺計算組提出高分辨率深度神經(jīng)網(wǎng)絡(luò)（HRNet），對網(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，在多個數(shù)據(jù)集的人體姿態(tài)估計任務(wù)中取得了最佳的性能。

前言

視覺識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）和像素層次（比如圖像分割、人體姿態(tài)估計和人臉對齊等）。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)的特點是學(xué)到的表征在空間分辨率上逐漸變小。我們認為分類網(wǎng)絡(luò)并不適合區(qū)域?qū)哟魏拖袼貙哟蔚膯栴}，因為學(xué)到的表征本質(zhì)上具有低分辨率的特點，在分辨率上的巨大損失使得其在對空間精度敏感的任務(wù)上很難取得準(zhǔn)確的預(yù)測結(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。

為了彌補空間精度的損失，研究者們在分類卷積神經(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；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能力，但是上采樣本身并不能完整地彌補空間分辨率的損失。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力強的表征所對應(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)?；诖?，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)整個過程中始終保持高分辨率表征，同時多次在高低分辨率表征之間進行信息交換，從而學(xué)到足夠豐富的高分辨率表征。

實驗證明HRNet在人體姿態(tài)估計，以及圖像分割、人臉對齊和目標(biāo)檢測等問題上取得了不錯的結(jié)果。我們相信HRNet將取代分類深度神經(jīng)網(wǎng)絡(luò)成為計算機視覺識別等應(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)

我們在HRNet的整個網(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，我們通過不斷在多分辨率表征之間進行信息交換，來提升高分辨率和低分辨率表征的表達能力，讓多分辨率表征之間更好地相互促進，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，這里以三個分辨率輸入和三個分辨率輸出為例，如圖4所示。每一個分辨率的輸出表征都會融合三個分辨率輸入的表征，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，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，先利用1x1卷積進行通道數(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

實驗

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其表達能力，使模型所學(xué)的表征在空間精度上有顯著的提升。實驗中，我們首先在MS COCO數(shù)據(jù)集中的關(guān)鍵點檢測任務(wù)上進行了消融實驗，驗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)集中與最先進的方法進行公平對比，都取得了更好的性能。

1. 表征分辨率對性能的影響

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

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

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使得模型的性能有巨大的損失。分辨率在2x時，性能降低了接近6% AP，4x時降低了20% AP。這體現(xiàn)了表征分辨率對于空間精度的重要性。

2. 多分辨率表征信息交換對性能的影響

圖6. 藍色框內(nèi)為階段內(nèi)的多分辨率表征信息交換（Int. exchange within），綠色框為階段間的多分辨率表征信息交換（Int. exchange across），紅色框為最終的多分辨率表征信息交換（Final exchange）。

表1. 多尺度特征融合對性能的影響，實驗中每個網(wǎng)絡(luò)是從隨機初始化開始訓(xùn)練的。

我們考慮了三種信息交換（如圖6），結(jié)果如表1。可以看到，多分辨率表征信息交換可以將不同分辨率的表征信息進行充分的交換利用，對表征增強的作用十分明顯，可以到達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)鍵點檢測的最權(quán)威的數(shù)據(jù)集之一，我們在該數(shù)據(jù)上對我們的方法進行驗證，結(jié)果如表2所示。

表2. COCO test-dev上與最先進方法的性能比較

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)了更強的表達能力，有更顯著的提升。

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

在表3中，我們在Pose-Track數(shù)據(jù)集的兩個任務(wù)上進行了驗證：（1）多幀人體姿態(tài)估計，可以利用其他幀的信息估計某幀的姿態(tài)；（2）多幀人體姿態(tài)跟蹤，需要把不同幀間的同一個人的姿態(tài)關(guān)聯(lián)起來。前者性能用mAP來評價，后者性能用MOTA來評價?？梢钥吹皆趦蓚€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，整個過程保持高分辨率，以及多次對高低分辨率表征進行信息補足。HRNet在多個數(shù)據(jù)集的人體姿態(tài)估計任務(wù)中取得了當(dāng)前最好的性能，也在圖像分割、人臉對齊和目標(biāo)檢測等問題上取得了不錯的結(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)，成為計算機視覺識別等應(yīng)用的新標(biāo)準(zhǔn)結(jié)構(gòu)。