Большинство существующих алгоритмов оценки позы человека достигают высокой точности за счет сложной структуры сети, что приводит к снижению скорости. Алгоритм оценки позы человека YOLO-Pose использует преимущества передовых алгоритмов обнаружения объектов, достигая при этом высокой точности и скорости, однако по-прежнему существуют проблемы пропуска и ложных срабатываний. В данной работе алгоритм YOLO-Pose был дополнительно улучшен, и предложен новый легковесный алгоритм обнаружения позы человека, учитывающий особенности негибкой позы и разнообразного распределения ключевых точек тела. Во-первых, была разработана легковесная сеть внимания по каналам и пространству LCSA-Net для улучшения способности модели извлекать признаки; во-вторых, применена стратегия взвешивания на основе адаптивного расстояния для вычисления регрессионной ошибки ключевых точек тела в процессе обучения модели, чтобы усилить способность регрессии удалённых ключевых точек. Результаты экспериментов на наборе данных COCO 2017 показали, что обе улучшенные стратегии эффективно повысили производительность оценки позы человека, обеспечив улучшение mAP на 2%, AP50 на 1.5% и AR на 1.7% по сравнению с базовой моделью.

оценка позы человека;YOLO-Pose;сеть внимания;адаптивное взвешивание;регрессионная ошибка