La plupart des algorithmes actuels d’estimation de la pose humaine conçoivent des architectures de réseaux complexes pour obtenir une haute précision, ce qui réduit la vitesse. L’algorithme d’estimation de la pose humaine YOLO-Pose tire parti des avantages des algorithmes avancés de détection d’objets pour obtenir à la fois une haute précision et une grande vitesse, mais il subsiste des problèmes de détection manquée et de fausses détections. Cet article améliore davantage l’algorithme YOLO-Pose en proposant un nouvel algorithme léger de détection de la pose humaine, tenant compte de la nature non rigide de la pose humaine et de la diversité de la distribution des points clés du corps. Tout d’abord, un réseau d’attention léger canalaire et spatial LCSA-Net a été conçu pour améliorer la capacité d’extraction des caractéristiques du modèle ; ensuite, une stratégie pondérée adaptative basée sur la distance a été utilisée pour calculer la perte de régression des points clés du corps lors de l’entraînement afin de renforcer la capacité de régression du modèle sur les points éloignés. Les résultats expérimentaux sur le jeu de données COCO 2017 montrent que les deux stratégies améliorées ont efficacement amélioré la performance de l’estimation de pose humaine, réalisant une augmentation de 2% du mAP, 1,5% de l’AP50 et 1,7% de l’AR par rapport au modèle de référence.

estimation de la pose humaine;YOLO-Pose;réseau d’attention;pondération adaptative;perte de régression