DE-HRNet: Red de alta resolución mejorada para la estimación de la postura humana

Área de la Ciencia:

• Visión por computadora
• Aprendizaje automático

Sus antecedentes:

• La variación de la escala presenta un desafío significativo en la estimación de la postura humana, lo que afecta la precisión de la predicción de puntos clave, especialmente para las partes más pequeñas del cuerpo.
• Los métodos existentes luchan por mantener la precisión en diversas escalas del cuerpo humano.

Objetivo del estudio:

• Proponer una red novedosa, la Red de Detalle Mejorada de Alta Resolución (DE-HRNet), para manejar eficazmente las variaciones de escala en la estimación de la postura humana.
• Mejorar la precisión y la robustez de la detección de puntos clave en diferentes escalas de partes del cuerpo.

Principales métodos:

• Introducción de un módulo de mejora de detalles (DEM) para recuperar y mejorar las características de bajo nivel perdidas que son cruciales para los puntos clave que varían en escala.
• Implementación de un muestreador dinámico ultraligero (dySample) para reemplazar el muestreo superior más cercano, minimizando la pérdida de detalles durante la mejora de la resolución.

Principales resultados:

• DE-HRNet logró 75.6 AP en el conjunto de datos COCO test-dev2017 y 90.7 PCKh@0.5 en el conjunto de datos válido MPII.
• Se observaron mejoras de rendimiento de 0,7 AP y 0,4 PCKh@0,5 en comparación con la Red de Alta Resolución (HRNet) estándar.
• El método propuesto demostró un gran rendimiento en el manejo de las variaciones de escala en comparación con los enfoques existentes.

Conclusiones:

• DE-HRNet mitiga efectivamente el impacto de las variaciones de escala en la estimación de la postura humana al preservar los detalles locales.
• El DEM y el dySample propuestos contribuyen a una mayor precisión y robustez, en particular para desafiar puntos clave de escala variable.