Um die Probleme komplexer Netzwerkstrukturen, großer Modellparameterzahlen und niedriger Erkennungseffizienz in bestehenden Netzwerken zur menschlichen Pose-Schätzung bei der Verfolgung hoher Genauigkeit zu lösen, schlägt dieser Artikel einen leichtgewichtigen Algorithmus zur menschlichen Pose-Schätzung basierend auf adaptiver Merkmalswahrnehmung vor. Zunächst wird ein leichtgewichtiger Ghost-Modul verwendet, um das Merkmalsextraktionsnetzwerk der Pose-Schätzung umzubauen und die Anzahl der Netzwerkparameter zu reduzieren; anschließend wird ein leichtgewichtiger, adaptiver Merkmalswahrnehmungs-Attentionsmechanismus entworfen, der die Komplexität des Netzwerkmodells verringert und gleichzeitig den effektiven Informationsaustausch zwischen Kanälen stärkt, wodurch die Schlüsselpunkt-Lokalisierung effektiv verbessert wird; schließlich wird die Huber-Loss-Verlustfunktion verwendet, um das Modelltraining zu optimieren, eine bessere Vorhersage von Ausreißern zu ermöglichen und die Modellrobustheit zu erhöhen. Die Validierung auf dem COCO-Datensatz zeigt, dass im Vergleich zum Basis-RMPE-Algorithmus die Erkennungsgenauigkeit des verbesserten Modells um etwa 0,5 % gesteigert, die Parameteranzahl um 56,0 % reduziert, die Netzwerkrechenleistung um 32,6 % gesenkt, das Modellvolumen um etwa 57,0 % komprimiert und die Erkennungsgeschwindigkeit um etwa das 2,1-fache erhöht wurde. Das in diesem Artikel verbesserte Modell zur menschlichen Pose-Schätzung verbessert die Erkennungseffizienz bei gleichzeitiger Komprimierung der Modellgröße und erhöht die Modellrobustheit.

menschliche Pose-Schätzung;Leichtgewicht;adaptive Merkmalswahrnehmung;Ghost-Modul;Huber Loss