تتسبب معظم خوارزميات تقدير وضعية الإنسان الحالية في بطء السرعة بسبب تصميم هيكل شبكة معقد لتحصيل دقة عالية. تستفيد خوارزمية YOLO-Pose لتقدير وضعية الإنسان من مزايا خوارزميات كشف الأهداف المتقدمة لتحقق دقة وسرعة عالية، إلا أنها ما تزال تواجه مشكلات في الفقدان الكاشف والإنذارات الخاطئة. في هذه الورقة، تم تحسين خوارزمية YOLO-Pose بشكل أكبر واقتُرحت خوارزمية جديدة وخفيفة الوزن لتحديد وضعية الإنسان، مستهدفةً خصائص وضعية الإنسان غير الجامدة وتنوع توزيع النقاط الرئيسية لجسم الإنسان. أولًا، تم تصميم شبكة انتباه خفيفة الوزن على القنوات والمساحات تُسمى LCSA-Net لتعزيز قدرة النموذج على استخراج الميزات؛ ثانيًا، تم اعتماد استراتيجية وزن تعتمد على المسافة متكيفة لحساب خسارة انحدار النقاط الرئيسية للإنسان أثناء تدريب النموذج لتعزيز قدرة النموذج على الانحدار لنقاط الإنسان المرجعية البعيدة. تشير نتائج التجارب على مجموعة بيانات COCO 2017 لوضعية الإنسان إلى أن الاستراتيجيتين المحسنتين حسَّنتا أداء تقدير وضعية الإنسان بنسبة 2٪ في mAP، و1.5٪ في AP50، و1.7٪ في AR مقارنة بالنموذج الأساسي.

تقدير وضعية الإنسان;YOLO-Pose;شبكة الانتباه;الوزن المتكيف;خسارة الانحدار