既存の人体姿勢推定ネットワークが高精度検出を追求する際に、ネットワーク構造設計が複雑でモデルパラメーターが多く、検出効率が低い問題に対し、本論文は適応的特徴認識に基づく軽量人体姿勢推定アルゴリズムを提案する。まず、軽量化されたGhostモジュールを用いて人体姿勢推定の特徴抽出ネットワークを再構築し、ネットワークのパラメーター数を削減した。次に、軽量かつ適応的特徴認識の注意機構を設計し、ネットワークモデルの複雑さを低減しつつチャネル間の情報交換を強化し、主要点の位置特定効果を効果的に改善した。最後にHuber Loss損失関数を採用してモデルの学習を最適化し、異常点のより良い予測を実現し、モデルのロバスト性を強化した。COCOデータセットで検証を行い、実験結果は基準RMPEアルゴリズムと比較して、改良後のモデルの検出精度が約0.5%向上し、パラメーター数が56.0%減少し、ネットワーク演算量が32.6%低減し、モデルサイズが約57.0%圧縮され、モデル検出速度が約2.1倍向上したことを示した。本論文の改良された人体姿勢推定モデルは、モデルサイズの圧縮と同時に検出効率を向上させ、モデルのロバスト性を強化した。

人体姿勢推定;軽量化;適応的特徴認識;Ghostモジュール;Huber Loss