由于缺乏标记数据，动物姿态估计是一项重要但未被充分探索的任务。作者用稀缺的注释（scarce annotation）来处理动物姿态估计，其中只有一小部分标记数据和大部分未标记图像可用。并且，作者提出了ScarceNet，这是一种基于伪标签的方法。伪标签是由一小组标记图像训练的模型生成的，通常是有噪声的，并且当直接用于训练时会损害性能。为了解决这个问题，作者设计了一个loss来选择可靠的伪标签。由于许多高loss样本未被使用，因此进一步提出，从高损失样本中识别可重复使用的样本。重新生成伪标签，为那些可重复使用的样本提供监督。最后，引入了一个师生框架来强制执行一致性约束，因为仍然存在既不可靠也不可重复使用的样本。通过将可靠的伪标签选择与可重复使用的样本重新标记和一致性约束相结合，可以充分利用未标记的数据。作者在具有挑战性的AP-10K数据集上评估了方法，该方法在很大程度上优于现有的半监督方法。另外还在TigDog数据集上进行了测试，在只有极少数注释可用的情况下，该方法可以比基于领域自适应的方法获得更好的性能。

来自：ScarceNet: Animal Pose Estimation with Scarce Annotations

背景概述

理解动物行为是许多生物科学应用的基础。尽管人类姿态估计取得了巨大成功，但由于缺乏标记的动物姿态数据，这些技术无法直接用于动物。现有的工作通过从人类姿态数据或合成动物图像中学习来克服这个问题。然而，真实数据和合成数据之间存在很大的领域差距。例如，由CAD模型生成的合成动物图像仅表现出有限的姿态、外观和背景变化。因此，用合成数据训练的模型不能很好地适应真实图像。此外，合成图像的生成是一个乏味的过程，也需要专家知识。因此，我们是否可以用最少的注释来实现精确的动物姿态估计，为了回答这个问题，作者专注于如何从稀缺的标记数据中学习动物姿态。如图1所示，目标是仅使用一小组标记图像和大量未标记图像来实现精确的动物姿态估计。

fig1

基于稀缺标记的动物姿态估计任务。

数据稀缺问题可以通过半监督学习（SSL，semi-supervised learning）解决。SSL会考虑伪标记（PL，pseudo label），其中从预训练的模型生成的标签与人工标记的数据一起用于训练模型。通过将PL应用于基于领域自适应的动物姿态估计，已经获得了不错的结果。然而，当网络开始以高置信度输出不正确的预测标签时，基于PL的方法会受到影响，这称之为噪声伪标签。为了解决该问题，作者使用small-loss trick来选择可靠的伪标签，即具有小loss的样本来更新网络。

small-loss trick基于深度网络的记忆效应：在深度网络中，网络首先从干净和简单的实例中学习，然后最终过度适应有噪声的实例。因此，与训练开始时的噪声样本相比，干净样本表现出更小的损失。尽管small-loss技巧在选择可靠的伪标签方面是有效的，但它会浪费数据，因为许多high-loss样本被闲置了。

作者提出了ScarceNet，这是一种基于PL的方法，用于从稀缺的注释中学习动物姿态。首先在小规模的标记数据集上训练动物姿态估计网络，然后用预训练的模型为未标记的图像生成伪标签。由于训练数据的小规模，伪标签经常被噪声破坏。因此，作者使用small-loss技巧来选择可靠的伪标签。此外，作者提出基于一致性检查从high-loss样本中识别可重复使用的样本。一致性检查是为了保证可重复使用样本的模型预测是平滑的，同时远离决策边界，因此允许用模型预测直接重新标记可重复使用的样本。最后，引入了一个师生网络，并强制执行一致性约束，因为仍然存在既不可靠也不可重复使用的样本。通过将可靠的伪标签选择与可重复使用的样本重新标记和一致性约束相结合，可以充分利用未标记的数据。

方法

ScarceNet的框架如图2的左侧所示，作者提出了一个multi-branch HRNet（MBHRNet）作为动物姿态估计网络。将输入图像表示为 $x$ ，将其真实动物姿态表示为 $y$ 。给定一个small labeled set $D_{l}=\left\{x_{i}^{l},y_{i}^{l}\right\}_{i=1}^{N_{l}}$ 和 unlabeled set $D_{u}=\left\{x_{i}^{u}\right\}_{i=1}^{N_{u}}$ 。目的是通过利用标记和未标记的数据来训练动物姿态估计网络。

利用GT姿态数据来监督。然后，使用在未标记图像生成伪标签。然而，这些生成的伪标签通常被噪声严重破坏，尤其是当标记的数据非常有限时。因此，用small-loss技巧来选择一组可靠的伪标签。尽管它很有效，但通过small-loss技巧的伪标签选择往往会丢弃大量high-loss样本，这导致了高浪费，因为那些被丢弃的样本仍然可以提供额外的信息来更好地进行判别学习。鉴于此，作者提出了一个可重复使用的样本重新标记步骤。最后，设计了一个师生框架，以加强学生和教师网络输出之间的一致性。

fig2

图2：左侧部分显示了ScarceNet的框架，其中 $P$ 和 $T$ 分别表示强增强和弱增强。右侧部分显示了HRNet（顶部）和MBHRNet（底部）之间的比较，其中FE表示特征提取器，conv表示卷积层，JFE表示联合特定特征提取器。

可靠PL选择

首先在有标签数据上训练： $L_{s}=\frac{1}{J}\sum_{i=1}^{J}||H_{i}-\widehat{H}_{i}||^{2}$ 其中， $H_{i}$ 为GT heatmap， $J$ 表示joints的总数， $\widehat{H}_{i}$ 为预测的heatmap。然后，通过该网络在无标签数据上生成PL。生成的伪标签通常是有噪声的，如果直接用于训练，会影响性能。为了防止这种情况，使用small-loss技巧从初始伪标签中选择可靠的伪标签，表示为 $S$ 。具体来说，只使用loss小于阈值的样本来更新网络。从形式上讲，这可以表示为： $L_{p}=\frac{\sum_{i=1}^{J}\left\{L_{p}^{i}<l_{r}\right\}_{1}L_{p}^{i}}{\sum_{i=1}^{J}\left\{L_{p}^{i}<l_{r}\right\}_{1}},\thinspace L_{p}^{i}=||\widetilde{H}_{i}-\widehat{H}_{i}||^{2}$ 其中， $\widetilde{H}_{i}$ 表示第 $i$ 个joint的PL， $L_{p}^{i}$ 是相应的基于PL的loss。 $\left\{condition\right\}_{1}$ 是一个条件函数，当条件为true时输出1，如果条件为false则输出0。 $l_r$ 表示loss阈值。

可重复使用的样本重新标记

作者提出从未使用的样本中进一步识别可重复使用的样本，表示为 $U$ ，以充分利用未标记的数据。将可重复使用的样本定义为尽管loss很大，但也可以为网络提供可靠知识的样本。为了识别可重复使用的样本，作者引入了agreement check。具体来说，在给定输入 $x^u$ 的情况下，通过添加由旋转和缩放组成的随机变换 $T$ 来生成该样本的另一个视图。两个样本都被送到姿态估计网络中，以产生相应的heatmap，表示为： $H^{V_{1}}=f(x^{u}),H^{V_{2}}=f(Tx^{u})$ 第 $i$ 个joint的位置是通过对相应的输出heatmap应用argmax运算来获得的： $h_{i}^{V_{1}}=argmax(H_{i}^{V_{1}}),h_{i}^{V_{2}}=argmax(H_{i}^{V_{2}})$ 与分类任务不同，输出joint位置是 $T$ 等变的（分类任务是 $T$ 不变的）。因此，需要在agreement check前转换 $h_{i}^{V_{1}}$ ： $d_{i}=||Th_{i}^{V_{1}}-h_{i}^{V_{2}}||^{2}$ 这可以根据两个视图的输出之间的距离来确定样本是否可重复使用。具体来说，当距离满足 $d_i＜d_r$ 时，样本 $x^{u}_{i}$ 是可重用的，其中 $d_r$ 表示距离阈值。这种一致性检查基于一致性最大化原则，该原则也用于分布外检测和稳定样本选择。直观地说，可重用样本必须满足模型预测邻域的平滑性，并且必须远离决策边界。否则，当输入被随机变换时，输出会变得不一致。

下一步是重新标记已识别的可重复使用的样本，注意它们在初始伪标签的基础上表现出很大的损失。作者直接使用来自当前模型的预测作为新的伪标签来训练网络。动机有两个：

模型是用未标记的图像训练的，因此与仅在标记的图像上训练的模型相比，它能够输出更准确的预测。
可重复使用样本的选择标准表明当前的模型预测已经是可靠的。最后，可重复使用样本的损失函数可以定义为： $L_{r}=\frac{\sum_{i=1}^{J}\left\{d_{i}<d_{r}\right\}_{1}L_{r}^{i}}{\sum_{i=1}^{J}\left\{d_{i}<d_{r}\right\}_{1}},\thinspace L_{r}^{i}=||\overline{H}_{i}-\widehat{H}_{i}||^{2}$ 其中， $\overline{H}_{i}$ 表示根据当前模型预测的joint位置生成的heatmap。通过选择可重复使用的样本，我们能够利用更多的未标记图像，同时防止网络过拟合噪声伪标签。

师生一致性

可靠的伪标签选择和可重复使用的样本选择都是基于特定的约束条件。不满足这两个约束的样本仍处于未使用状态。鉴于此，进一步引入教师网络，并加强学生和教师网络之间的一致性。这是受平均教师框架（mean teacher）的启发，该框架对半监督分类的未标记数据强制执行一致性约束。

教师网络与学生网络共享相同的结构，并使用学生网络的指数移动平均值（EMA）更新权重： $\theta_{mt}^{t}=\alpha\theta_{mt}^{t-1}+(1-\alpha)\theta^{t}$ 其中， $\theta_{mt}$ 和 $\theta$ 分别表示教师网络和学生网络的权重。上标 $t$ 表示training step， $α$ 是EMA更新的平滑系数。可以看到，教师网络是网络的集合，因此它可以提供更准确的伪标签。如图2所示，将随机扰动 $P$ 添加到学生网络的输入中，包括基于几何的扰动 $P_g$ （如旋转、缩放和翻转）和基于图像的扰动 $P_m$ （如噪声、遮挡和模糊），然后，教师和学生网络之间的一致性被强制执行为： $L_{t}=\frac{1}{J}\sum_{i=1}^{J}||P_{g}H_{i}^{t}-\widehat{H}_{i}||^{2}$ 其中， $H_{i}^{t}$ 为teacher的输出，注意，只有基于几何的扰动 $P_g$ 被添加到教师网络的输出，因为输出joint的位置对于基于图像的扰动是不变的。

MB-HRNet

作者采用人体姿态估计网络HRNet作为主干。HRNet通过将高分辨率特征表示与多分辨率特征融合相结合，在人体姿态估计方面取得了最先进的性能。然而，如图2的右上部分所示，HRNet的最终热图是从具有一个线性层的共享特征表示回归的。在存在噪声标签的情况下，这种共享机制可能会产生负面影响。例如，当任何关节的伪标签有噪声时，特征表示会受到反向传播的影响，从而进一步影响同一图像中其他关节的预测。为了缓解这个问题，作者在HRNet中引入了多分支头，以学习每个关节的特定特征表示。如图2的右下部分所示，网络具有 $J$ 个输出分支，其中每个分支通过关节特定特征提取器（JFE）学习特定特征表示，以回归相应的关节位置。通过这种方式，关节的噪声伪标签的不利影响在其各自的分支中被削弱。

强-弱增强

作者还引入了一种强-弱增强训练方案，其中将两组增强应用于输入，在前几节中表示为 $T$ 和 $P$ 。特别地，将强增强 $P$ 应用于具有反向传播的学习任务，将弱增强 $T$ 应用于重新标记任务。如图2所示，将强增强应用于蓝色路径中的标记图像和橙色路径中的未标记图像。这两条路径负责更新网络，因此强增强可以提高泛化能力。相比之下，弱增强被应用于绿色路径，因为该路径负责识别和重新标记可重复使用的样本。 $P$ 可能会对agreement check过程产生影响，因为强增强往往会导致不一致的预测。

整体

分两个阶段训练网络。在第一阶段，在 $D_l$ 上训练MB-HRNet。应用经过训练的网络为未标记的数据生成伪标签。在第二阶段，用预训练的模型初始化学生网络，并用 $D_l$ 和 $D_u$ 进行训练。第二阶段的目标函数由上述标记和未标记的损失组成。

数据集与评价指标

在AP-10K数据集和TigDog数据集上评估方法。AP-10K数据集是最近提出的一个动物姿态数据集，它包含了比以前的数据集更多样化的动物物种。该数据集总共包含10015张标记图像，这些图像分为训练集、验证集和测试集。TigDog数据集包括8380张马类图像和6523张老虎类图像。该数据集用于多个领域自适应工作。

采用平均精度（mAP）作为AP-10K数据集的评估指标。正确关键点百分比（PCK，Percentage of Correct Keypoints）用于TigDog数据集，它计算到GT位置的归一化距离内的joint百分比。