Для решения проблем сложной структуры сети, большого количества параметров модели и низкой эффективности обнаружения в существующих сетях оценки позы человека при стремлении к высокой точности, в данной статье предложен легковесный алгоритм оценки позы человека на основе адаптивного восприятия признаков. Сначала используется легковесный модуль Ghost для реконструкции сети извлечения признаков оценки позы человека, что снижает количество параметров сети; затем разработан легковесный механизм внимания с адаптивным восприятием признаков, который снижает сложность модели и одновременно усиливает эффективный обмен информацией между каналами, что эффективно улучшает локализацию ключевых точек; наконец, применяется функция потерь Huber Loss для оптимизации обучения модели, что позволяет лучше предсказывать аномальные точки и повышает устойчивость модели. Проверка на датасете COCO показала, что по сравнению с базовым алгоритмом RMPE точность обнаружения улучшилась примерно на 0.5%, количество параметров уменьшилось на 56.0%, вычислительная нагрузка сети сократилась на 32.6%, размер модели уменьшился примерно на 57.0%, а скорость обнаружения увеличилась примерно в 2.1 раза. Улучшенная модель оценки позы человека в этой работе одновременно улучшает эффективность обнаружения и уменьшает размер модели, повышая при этом устойчивость модели.

оценка позы человека;легковесный;адаптивное восприятие признаков;модуль Ghost;функция потерь Huber