Para abordar los problemas de diseño de estructura compleja, gran cantidad de parámetros del modelo y baja eficiencia de detección en las redes actuales de estimación de poses humanas que buscan alta precisión, este artículo propone un algoritmo ligero de estimación de poses humanas basado en la percepción adaptativa de características. Primero, se utiliza un módulo ligero Ghost para reconstruir la red de extracción de características de estimación de poses humanas, reduciendo la cantidad de parámetros de la red; luego, se diseña un mecanismo de atención ligero con percepción adaptativa de características que reduce la complejidad del modelo al tiempo que fortalece el intercambio efectivo de información entre canales, mejorando eficazmente la localización de puntos clave; finalmente, se emplea la función de pérdida Huber Loss para optimizar el entrenamiento del modelo, logrando una mejor predicción de puntos atípicos y aumentando la robustez del modelo. Se verificó en el conjunto de datos COCO, y los resultados experimentales muestran que, en comparación con el algoritmo RMPE base, la precisión de detección del modelo mejorado aumentó aproximadamente un 0,5 %, la cantidad de parámetros se redujo en un 56,0 %, la cantidad de operaciones de red se disminuyó en un 32,6 %, el tamaño del modelo se comprimió en aproximadamente un 57,0 % y la velocidad de detección del modelo se incrementó aproximadamente 2,1 veces. El modelo mejorado de estimación de poses humanas en este artículo mejora la eficiencia de detección mientras comprime el tamaño del modelo y mejora la robustez del modelo.

estimación de poses humanas;ligereza;percepción adaptativa de características;módulo Ghost;pérdida Huber