기존 고정밀 인체 자세 추정 네트워크에서 네트워크 구조 설계가 복잡하고 모델 파라미터 수가 많으며 검출 효율이 낮은 문제를 해결하기 위해 본 논문에서는 적응형 특징 인식 기반 경량 인체 자세 추정 알고리즘을 제안한다. 먼저 경량 Ghost 모듈을 이용하여 인체 자세 추정 특성 추출 네트워크를 재구성하여 네트워크 파라미터 수를 줄였다. 다음으로 네트워크 모델 복잡도를 낮추면서 채널 간 정보의 효과적인 교류를 강화하는 경량 적응형 특징 인식 주의 메커니즘을 설계하여 주요 점 위치 정확도를 효과적으로 개선하였다. 마지막으로 Huber Loss 손실 함수를 사용하여 모델 학습을 최적화함으로써 이상점에 대한 더 우수한 예측을 실현하고 모델의 강인성을 강화하였다. COCO 데이터셋에서 검증한 결과, 기준 RMPE 알고리즘과 비교해 개선된 모델의 검출 정확도가 약 0.5% 향상되었고, 파라미터 수는 56.0% 감소하였으며, 네트워크 연산량은 32.6% 줄었고, 모델 크기는 약 57.0% 압축되었으며, 모델 검출 속도는 약 2.1배 향상되었다. 본 논문에서 개선된 인체 자세 추정 모델은 모델 크기를 압축하는 동시에 검출 효율을 향상시키고 모델 강인성을 강화하였다.

인체 자세 추정;경량화;적응형 특징 인식;Ghost 모듈;Huber Loss