Para resolver os problemas de estrutura complexa da rede, grande quantidade de parâmetros do modelo e baixa eficiência de detecção nas redes atuais de estimativa de pose humana que buscam alta precisão, este artigo propõe um algoritmo leve de estimativa de pose humana baseado em percepção adaptativa de características. Primeiro, utiliza-se o módulo Ghost leve para reconstruir a rede de extração de características da estimativa de pose humana, reduzindo a quantidade de parâmetros da rede; em seguida, projeta-se um mecanismo de atenção leve com percepção adaptativa de características que reduz a complexidade do modelo enquanto fortalece a comunicação efetiva entre os canais, melhorando eficazmente a localização dos pontos-chave; por fim, utiliza-se a função de perda Huber Loss para otimizar o treinamento do modelo, obtendo melhor previsão de pontos fora do padrão e aumentando a robustez do modelo. Validado no conjunto de dados COCO, os resultados experimentais mostraram que, em comparação com o algoritmo RMPE base, a precisão de detecção do modelo melhorado aumentou cerca de 0,5%, o número de parâmetros reduziu 56,0%, a carga computacional da rede diminuiu 32,6%, o tamanho do modelo foi comprimido em cerca de 57,0% e a velocidade de detecção do modelo aumentou cerca de 2,1 vezes. O modelo de estimativa de pose humana aprimorado neste artigo melhora a eficiência da detecção enquanto comprime o tamanho do modelo e fortalece a robustez do modelo.

estimativa de pose humana;leveza;percepção adaptativa de características;módulo Ghost;perda Huber