摘要
لمواجهة مشكلة تعقيد تصميم هيكل الشبكة وكثرة معلمات النموذج وانخفاض كفاءة الكشف عند الشبكات الحالية لتقدير وضعية الجسم البشري التي تسعى إلى دقة عالية، تقترح هذه الورقة خوارزمية تقدير وضعية جسم خفيفة مبنية على إدراك السمات التكيفية. أولاً، تم إعادة بناء شبكة استخراج سمات تقدير وضعية الجسم باستخدام وحدة Ghost خفيفة، لتقليل عدد معلمات الشبكة؛ ثانيًا، تم تصميم آلية انتباه خفيفة وذات إدراك سماتي تكيفي تقلل من تعقيد نموذج الشبكة مع تعزيز تبادل المعلومات بين القنوات، مما يحسن بشكل فعال من دقة تحديد النقاط الرئيسية؛ أخيرًا، تم استخدام دالة خسارة Huber Loss لتحسين تدريب النموذج، لتحقيق توقع أفضل للنقاط الشاذة وزيادة متانة النموذج. تم التحقق من النموذج على مجموعة بيانات COCO، وأظهرت النتائج بأن الدقة تحسنت بحوالي 0.5% مقارنة بخوارزمية RMPE الأساسية، وانخفض عدد المعلمات بنسبة 56.0%، وانخفض حجم العمليات الحاسوبية بنسبة 32.6%، وتم تقليص حجم النموذج بحوالي 57.0%، وزادت سرعة الكشف بمقدار حوالي 2.1 مرة. النموذج المحسن لتقدير وضعية الجسم في هذه الدراسة حقق زيادة في كفاءة الكشف مع تقليص حجم النموذج وتعزيز متانته.
关键词
تقدير وضعية الجسم;خفيفة;إدراك السمات التكيفية;وحدة Ghost;خسارة Huber
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website