《電子技術應用》
您所在的位置:首頁 > 人工智能 > 設計應用 > 結合不確定性估計的輕量級人體關鍵點檢測算法
結合不確定性估計的輕量級人體關鍵點檢測算法
電子技術應用
王亞東,秦會斌
(杭州電子科技大學 新型電子器件與應用研究所,浙江 杭州 310018)
摘要: 人體關鍵點檢測在智能視頻監控、人機交互等領域有重要應用。針對基于熱圖的人體關鍵點檢測算法依賴高分辨率熱圖、計算資源消耗大的問題,提出一種結合不確定性估計的輕量級算法。使用低分辨率熱圖,結合不確定性估計預測誤差分布的尺度參數,提高了預測結果的可信度;利用尺度參數監督和約束熱圖,緩解梯度消失,增強了網絡的魯棒性。COCO數據集上實驗結果表明,與積分姿態回歸算法相比,改進后算法的平均精度提高了3.3%,降低了資源占用。
中圖分類號:TP391 文獻標志碼:A DOI: 10.16157/j.issn.0258-7998.233938
中文引用格式: 王亞東,秦會斌. 結合不確定性估計的輕量級人體關鍵點檢測算法[J]. 電子技術應用,2023,49(10):40-45.
英文引用格式: Wang Yadong,Qin Huibin. Lightweight human key point detection algorithm with uncertainty[J]. Application of Electronic Technique,2023,49(10):40-45.
Lightweight human key point detection algorithm with uncertainty
Wang Yadong,Qin Huibin
(Institute of New Electron Device and Application, Hangzhou Dianzi University, Hangzhou 310018, China)
Abstract: Human key point detection has important applications in intelligent video surveillance, human-computer interaction and other fields. Aiming at the problem that the human key point detection algorithm based on heatmap depends on high-resolution heatmap and consumes large computational resources, a lightweight algorithm combined with uncertainty estimation is proposed. The reliability of prediction results is improved by using low resolution heatmap and combining uncertainty to estimate the scale parameters of prediction error distribution. The scale parameter is used to monitor and constrain the heatmap to alleviate the gradient disappearance and enhance the robustness of the network. The experiments on COCO dataset show that the average accuracy of the improved algorithm is improved by 3.3% and the resource occupation is reduced compared with integral pose regression.
Key words : human key point detection;uncertainty estimation;lightweight;integral pose regression(IPR)

0 引言

隨著社會發展,監控視頻分析正從人工走向智能,從傳統走向現代。人體關鍵點檢測是以人為中心的視頻分析中的重要環節,又稱為人體姿態估計[1]。人體關鍵點是具有明確語義的關節點和部位,是行為識別[2]、人機交互[3]和動作捕捉[4]等應用的重要基礎。

隨著卷積神經網絡(Convolutional Neural Network,CNN)的發展,人體關鍵點檢測取得顯著進步,精度逐漸提升。基于深度卷積神經網絡的人體關鍵點檢測算法分為兩類:基于熱圖表示的檢測方法和基于坐標表示的回歸方法。

自從Tompson等人[5]首次提出用熱圖表示關節點,檢測方法成為二維姿態估計的主流。孫科等人[6]針對關鍵點檢測任務提出HRNet,整個網絡中保持高分辨率的特征圖,通過并行連接多個不同分辨率的子網絡,并在它們之間進行信息交互和融合,避免了信息的丟失和模糊。檢測方法具有精度高、訓練效率高和空間泛化性好等優點。但是熱圖分辨率低于原圖分辨率導致的量化誤差和解碼過程中argmax操作不可微分,使得檢測方法依賴高分辨率熱圖,限制了在嵌入式設備中的使用。

回歸方法在人體姿態估計中研究較早,但相關工作較少。回歸方法直接端到端產生圖像中關鍵點的坐標。Toshev等人[7]首次提出利用CNN回歸坐標進行人體姿態估計。Carreira等人[8]提出了一個迭代誤差反饋框架(Iterative Error Feedback,IEF),引入自上而下的反饋,預測當前估算值的偏移量并進行迭代矯正。Nie等人[9]提出了單階段的多人姿態估計網絡(Single-stage Multi-person Pose Machine,SPM),采用根節點預測人體位置,然后預測關節點的偏移量。回歸方法擁有簡單靈活高效等優點,但性能仍遜色于檢測方法,尤其在遮擋、截斷和運動模糊等場景中誤差較大。


本文詳細內容請下載:http://m.rjjo.cn/resource/share/2000005711




作者信息:

王亞東,秦會斌

(杭州電子科技大學 新型電子器件與應用研究所,浙江 杭州 310018)


微信圖片_20210517164139.jpg


此內容為AET網站原創,未經授權禁止轉載。
主站蜘蛛池模板: 亚州毛片| 综合亚洲精品一区二区三区 | 日韩免费一级a毛片在线播放一级 | 欧美性精品hd在线观看 | 国产精品久久久久久一区二区 | 欧美一区二区三区久久综 | 日韩亚洲欧美在线 | 亚洲乱强 | 日本一区二区三区四区公司 | 成年大片免费视频播放二级 | a级毛片高清免费视频 | a免费视频 | 日本成年人视频网站 | 午夜欧美日韩在线视频播放 | 日本一区二区三区不卡视频中文字幕 | 欧美一区二区三区视视频 | 色精品一区二区三区 | 99精品在线 | 久久夜视频 | 国产人成免费视频 | 91香蕉视频成人 | 亚洲国产第一区二区香蕉日日 | 国产精品欧美亚洲韩国日本不卡 | 高清国产美女一级毛片 | 香港毛片免费观看 | 亚洲精品久久久久影 | 精品一区二区三区免费视频 | 特级欧美视频aaaaaa | 亚洲人成在线影院 | 好看的亚洲视频 | 思思99re| 久色免费视频 | 最新步兵社区在线观看 | 91免费高清视频 | 久久韩国| 波多野结衣一区在线 | 香港经典a毛片免费观看爽爽影院 | 精品国产日韩亚洲一区二区 | 黄色三级视频网站 | 日本欧美一区二区三区不卡视频 | 女人a级毛片 |