A maioria dos algoritmos atuais de estimativa de pose humana utiliza estruturas de rede complexas para alcançar alta precisão, o que resulta em baixa velocidade. O algoritmo YOLO-Pose para estimativa de pose humana absorve as vantagens dos avançados algoritmos de detecção de objetos, obtendo alta precisão e velocidade, porém ainda enfrenta problemas de perda e falsos positivos. Este artigo propõe uma melhoria adicional ao algoritmo YOLO-Pose, apresentando um novo algoritmo leve para detecção de pose humana, direcionado às características de pose humana não rígida e diversidade na distribuição dos pontos-chave humanos. Primeiro, foi projetada a rede de atenção leve por canal e espaço LCSA-Net para melhorar a capacidade de extração de características do modelo; em seguida, foi adotada uma estratégia ponderada adaptativa baseada na distância para calcular a perda de regressão dos pontos-chave humanos durante o treinamento, aumentando a capacidade do modelo de regressar pontos-chave humanos distantes. Os resultados experimentais no conjunto de dados COCO 2017 demonstram que ambas as estratégias aprimoradas aumentaram efetivamente o desempenho da estimativa de pose humana, alcançando um aumento de 2% no mAP, 1,5% no AP50 e 1,7% no AR em comparação com o modelo base.

estimativa de pose humana;YOLO-Pose;rede de atenção;ponderação adaptativa;perda de regressão