Pour répondre aux problèmes de conception complexe des réseaux, de grand nombre de paramètres du modèle et de faible efficacité de détection dans les réseaux d’estimation de la pose humaine existants cherchant une haute précision, cet article propose un algorithme léger d’estimation de la pose humaine basé sur une perception adaptative des caractéristiques. Tout d’abord, un module léger Ghost est utilisé pour reconstruire le réseau d’extraction des caractéristiques de l’estimation de la pose humaine, réduisant ainsi le nombre de paramètres du réseau ; ensuite, un mécanisme d’attention léger et adaptatif basé sur la perception des caractéristiques est conçu, réduisant la complexité du modèle tout en renforçant la communication efficace entre les canaux, améliorant ainsi efficacement la localisation des points clés ; enfin, la fonction de perte Huber Loss est utilisée pour optimiser l’entraînement du modèle, réalisant une meilleure prédiction des points aberrants et renforçant la robustesse du modèle. La validation a été réalisée sur le dataset COCO, et les résultats expérimentaux montrent qu’en comparaison avec l’algorithme RMPE de référence, la précision de détection du modèle amélioré a augmenté d’environ 0,5 %, le nombre de paramètres a diminué de 56,0 %, la charge de calcul du réseau a diminué de 32,6 %, la taille du modèle a été compressée d’environ 57,0 % et la vitesse de détection du modèle a été améliorée d’environ 2,1 fois. Le modèle d’estimation de la pose humaine amélioré dans cet article améliore l’efficacité de détection tout en compressant la taille du modèle et renforce la robustesse du modèle.

estimation de la pose humaine;légèreté;perception adaptative des caractéristiques;module Ghost;perte Huber