HOPE-Net: A Graph-based Model for Hand-Object Pose Estimation解读

一、文章来源

1. CVPR 2020
2. Indiana University Bloomington & University of Washington,
3. Bardia Doosti, Shujon Naha等
4. code: http://vision.sice.indiana.edu/projects/hopenet

二、简介
本文提出一种轻量级的网络，可实时的用于手-物品的姿态估计。文中，作者使用了两个级联的自适应图卷积神经网络（GCN）用于建模，第一个GCN用于二维空间下的姿态估计，后一个用来估计三维坐标下的姿态。本文在速度和精度上都取得了不错的效果。

三、 实验动机

1. 为什么联合检测手和物品呢？
   我们在手拿东西的时候，手的姿势和物品的形状是息息相关的，检测手的姿势可以提供关于物体的姿势和身份的线索，而物体的姿势可以约束握住它的手的姿势。因此，两者是不可分离的。
2. 先进行2D估计再进行3D估计的原因？
   基于检测的模型在检测2D手关键点方面表现更好，但在3D中，由于高度的非线性和巨大的输出空间，基于回归的模型更为流行

四、 Contributions

1. 提出轻量级的可实时的检测人手和物品的网络——HOPENet，只需输入RGB即可准确地估计
2. 提出Adaptive Graph U-Net，包括graph convolution, pooling and unpooling 层
3. 取得state of the art

五、 网络结构

解读：

1. 首先对数据进行预处理，生成.npy格式的数据
2. 然后用ResNet10（或者ResNet50）提取特征，Figure 2中的“2D Keypoints Predictor”是对提取的特征后接全连接层进行预测，下面一路特征不做任何处理
3. 再将上下两路特征cat在一起送入第一个GCN，来预测2D下的手和物品的姿势
4. 最后将第一个GCN的输出作为Adaptive Graph U-Net的输入来预测3D姿态
5. 文中共计3个loss函数，将其相加最为总的loss

六、 各模块分析

1. Image Encoder and Graph Convolution
   本文使用了轻量级的残差网络ResNet10用于特征的提取，输入的图像经过特征提取器后得到2048维的特征向量，然后使用一个全连接层来初步的预测2D下的关键点坐标，然后将2048维的特征向量与经过全连接层预测的两个x, y坐标（2维）拼接起来，构成2050维的向量，送到GCN中学习节点之间的关系，此处的GCN主要是要来修改更新节点的坐标
2. Adaptive Graph U-Net
   
   该模块主要包括graph convolution、pooling和unpooling。对于输入的2D坐标，来估计3D坐标的位置，Figure 3中的pooling表示将节点减少将近一半，unpooling表示将节点增加将近一倍，红色箭头表示特征没有通过pooling和unpooling操作，红色箭头与黑色箭头汇合表示cat操作。

七、 实验结果

1. Figure 5表示2D预测的精度，说明GCN的有效性；
2. Figure 6表示3D预测的精度，说明在GCN的基础之上，加上Adaptive Graph U-Net可以提升预测的精度。

八、 感想
在该论文中，作者巧妙地将GCN和U-Net结合用于姿态的估计，在速度和精度上都取得了不错的效果。但是，在该论文中还可以加入其他attention模块来提升性能，数据增强部分可以改进。