10.19678/j.issn.1000-3428.0065262
基于高分辨率网络的轻量型人体姿态估计研究
现有人体姿态估计网络通常采用增加网络模型深度的方式来提高预测精度,但是导致网络模型的参数量以及运算复杂度增加.为此,在高分辨率网络的基础上提出一种融入Ghost模块、Sandglass模块以及注意力机制的轻量型人体姿态估计网络GSENet.参考基础残差模块Bottleneck以及Basicblock,将Bottleneck模块中的标准卷积替换为Ghost卷积,并且将Basicblock模块中的卷积替换为Sandglass模块,通过这种方式重新构建基础模块GSEneck以及GSEblock.在此基础上,加入注意力机制以保证网络的预测精度.实验结果表明,相比HRNet,GSENet在COCO数据集上的参数量和运算复杂度分别减少84.6%和76.1%,在MPII数据集上的参数量和运算复杂度降低84.6%和76.8%,在保持一定预测精度的情况下,GSENet网络模型能够有效地减少网络参数量并降低运算复杂度.
人体姿态估计、高分辨率网络、轻量型网络、注意力机制、深度卷积神经网络
49
TP391.4(计算技术、计算机技术)
国家自然科学基金62006028
2023-04-19(万方平台首次上网日期,不代表论文的发表时间)
共8页
226-232,239