基于堆叠沙漏网络的量体特征点定位

摘要：

为提高复杂背景和任意着装情况下的量体特征点定位精度,将堆叠沙漏网络(SHN)引入人体图像量体特征点定位中,并针对SHN模型输出特征图分辨率过低导致定位精度不足的问题,构建了一种Deconv-SHN模型.一方面用多个反卷积层代替初始模型的输出层以提高输出特征图的分辨率,另一方面基于Smooth L1和局部响应对目标函数进行了优化.在自建的6700幅正面人体图像数据集上对Deconv-SHN模型、SHN模型以及传统算法进行实验的结果表明,Deconv-SHN模型在复杂背景和任意着装情况下的特征点定位精度较传统算法有显著提升,也明显优于SHN模型,基本满足人体参数测量应用的要求.

关键词：量体特征点定位、深度学习、非接触式人体参数测量、堆叠沙漏网络

所属期刊栏目：49

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金;广东省自然科学基金

在线出版日期：2020-10-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：709-717