计算机工程

作者：刘圣杰, 何宁, 王鑫, 于海港, 韩文静

单位：1. 北京联合大学北京市信息服务工程重点实验室, 北京 1001012. 北京联合大学智慧城市学院, 北京 100101

关键词：人体姿态估计,高分辨率网络,轻量化网络,GhostV2,坐标解码

基金：国家自然科学基金(62272049); 国家自然科学基金(62236006); 北京市教委重点项目(KZ201911417048); 科技创新2030重大项目-“新一代人工智能”(2018AAA0100800); 北京市教委科技项目(KM202111417009); 北京市教委科技项目(KM201811417005)

人体姿态估计被广泛应用于运动健身、手势控制、无人超市、娱乐游戏等诸多领域, 但姿态估计任务仍面临着诸多挑战。针对目前主流的人体姿态估计网络参数量大、计算复杂度高的问题, 提出一种基于高分辨率网络的轻量级姿态估计网络(LitePose)。首先, 采用Ghost卷积降低特征提取网络的参数; 其次, 通过采用解耦的全连接(DFC)注意力模块, 更好地捕获远距离空间位置像素间的依赖关系, 减少由于参数量下降而导致的提取特征缺失, 提高人体关键点回归的准确率; 然后, 设计一个特征增强模块, 对骨干网络提取的特征进行进一步增强; 最后, 设计一个新的坐标解码方法, 降低热图解码过程中的误差, 提高关键点回归的准确率。在人体关键点检测数据集COCO和MPII上对LitePose进行验证, 并与当前的主流方法进行对比。实验结果表明, LitePose相比基线网络HRNet精度损失0.2%, 但参数量不及基线网络的1/3, LitePose在保证少量精度损失的同时能够大幅降低网络模型的参数量。

来源：2025年第2期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第2期