La mayoría de los algoritmos actuales de estimación de postura humana emplean estructuras de red complejas para lograr alta precisión, lo que resulta en velocidades bajas. El algoritmo YOLO-Pose para estimación de posturas humanas aprovecha las ventajas de los avanzados algoritmos de detección de objetos para obtener alta precisión y velocidad; sin embargo, aún existen problemas de detección perdida y falsas detecciones. En este artículo, se mejora aún más el algoritmo YOLO-Pose, proponiendo un nuevo algoritmo ligero para detección de posturas humanas, que atiende a las características de la postura no rígida y la diversidad en la distribución de los puntos clave humanos. Primero, se diseñó una red ligera de atención por canal y espacio llamada LCSA-Net para mejorar la capacidad del modelo para extraer características; en segundo lugar, se empleó una estrategia de ponderación adaptativa basada en la distancia para calcular la pérdida de regresión de los puntos clave humanos durante el entrenamiento para mejorar la capacidad de regresión a puntos clave distantes. Los resultados experimentales en el conjunto de datos COCO 2017 muestran que ambas estrategias mejoradas aumentaron eficazmente el rendimiento de estimación de posturas humanas, logrando una mejora del 2% en mAP, 1.5% en AP50 y 1.7% en AR en comparación con el modelo base.

estimación de postura humana;YOLO-Pose;red de atención;ponderación adaptativa;pérdida de regresión