기존 대부분의 인간 자세 추정 알고리즘은 높은 정확도를 얻기 위해 복잡한 네트워크 구조를 설계하여 속도가 느려지는 문제가 있다. YOLO-Pose 인간 자세 추정 알고리즘은 최신 객체 검출 알고리즘의 장점을 흡수하여 높은 정확도와 속도를 동시에 달성하였으나, 여전히 누락 및 오탐 문제가 존재한다. 본 논문에서는 YOLO-Pose 알고리즘을 더욱 개선하여, 비강직적 인간 자세 및 다양한 신체 주요점 분포 특성에 맞춘 새로운 경량 인간 자세 검출 알고리즘을 제안한다. 먼저, 경량 채널 및 공간 주의 네트워크인 LCSA-Net을 설계하여 모델의 특징 추출 능력을 향상시켰다; 다음으로, 거리 적응 기반 가중치 전략을 적용하여 모델 훈련 시 인간 주요점 회귀 손실을 계산함으로써 원거리 주요점에 대한 모델의 회귀 능력을 강화하였다. COCO 2017 인간 자세 데이터셋에서의 실험 결과 두 가지 개선 전략 모두 기존 모델 대비 2% mAP 향상, 1.5% AP50 향상, 1.7% AR 향상을 이뤄내어 인간 자세 추정 성능을 효과적으로 높였다.

인간 자세 추정;YOLO-Pose;주의 네트워크;적응 가중치;회귀 손실