轻量级高分辨率人体姿态估计研究

被引：10

作者：

渠涵冰

贾振堂

机构：

[1] 上海电力大学电子与信息工程学院

来源：

激光与光电子学进展 | 2022年 / 18期

关键词：

图像处理; 人体姿态估计; 高分辨率表示; 多尺度融合; 轻量化; 改进稠密连接网络;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

摘要：

人体姿态估计通常使用高分辨率表示的方法来实现关键点的检测，但网络参数量较大，运算较为复杂。基于此，提出了一种轻量级高分辨率人体姿态估计算法。首先，使用稠密连接网络（DenseNet）并进行轻量化改进，提出密集连接层，使得各层之间连接更加紧密，从而降低网络的运算参数，优化网络的运算速度；其次，在降低参数且精度保持不变的情况下，在多尺度融合阶段使用上采样和反卷积模块结合的融合方式，使得输出的特征信息更加丰富，检测结果更加准确；最后，利用COCO 2017验证数据集及MPII数据集进行验证。实验结果表明，在保证准确率的情况下与其他人体姿态估计算法相比，所提算法的平均精度为74.8%，运算参数减少了63.8%，网络运算复杂度缩小了8.5%，同时也到达了实时性的效果。

引用

页码：129 / 136

页数：8

共 10 条

[1]

基于深度学习的人体姿态估计方法综述 [J].

卢健 ;

杨腾飞 ;

赵博 ;

王航英 ;

罗毛欣 ;

周嫣然 ;

李哲 .

激光与光电子学进展, 2021, 58 (24) :69-88

[2]

基于双路循环生成对抗网络的多姿态人脸识别方法 [J].

徐志京 ;

王东 .

光学学报, 2020, 40 (19) :63-72

[3]

基于卷积神经网络和XGBoost的摔倒检测 [J].

赵心驰 ;

胡岸明 ;

何为 .

激光与光电子学进展, 2020, (16) :248-256

[4]

基于深度学习的人体姿态估计方法综述 [J].

邓益侬 ;

罗健欣 ;

金凤林 .

计算机工程与应用, 2019, (19) :22-42

[5]

人运动的视觉分析综述 [J].

王亮 ;

胡卫明 ;

谭铁牛 .

计算机学报, 2002, (03) :225-237

[6]

HigherhrNet: Scale-aware representation learning for bottom-up human pose estimation[J] Cheng B.;Xiao B.;Wang J.;Shi H.;Huang T.S.;Zhang L. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition 2020,

[7]

Systematic literature review of hand gestures used in human computer interaction interfaces[J] Tijana Vuletic;Alex Duffy;Laura Hay;Chris McTeague;Gerard Campbell;Madeleine Grealy International Journal of Human - Computer Studies 2019,

[8]

Show and Tell: Lessons Learned from the 2015 MSCOCO Image Captioning Challenge.[J] Vinyals Oriol;Toshev Alexander;Bengio Samy;Erhan Dumitru IEEE transactions on pattern analysis and machine intelligence 2017,

[9]

Pruning Convolutional Neural Networks for Resource Efficient Transfer Learning.[J] Pavlo Molchanov;Stephen Tyree;Tero Karras;Timo Aila;Jan Kautz CoRR 2016,

[10]

The Representation and Matching of Pictorial Structures.[J] Martin A. Fischler;Robert A. Elschlager IEEE Trans. Computers 1973,

← 1 →