曼巴姿势:基于封闭式传送网络和曼巴姿势的人类姿势估计
Jianqiang Zhang1, Jing Hou1, Qiusheng He1
1School of Electronic Information Engineering, Taiyuan University of Science and Technology, Taiyuan 030024, China.
Sensors (Basel, Switzerland)
|January 8, 2025
概括
这项研究引入了一种基于Mamba的新方法,用于人类姿势的估计,在拥挤的场景和小目标中提高准确性. 该方法提高了关键点检测稳定性和反干扰能力.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 人类姿势估计在计算机视觉中至关重要,但与密集的人群和小目标作斗争.
- 现有的方法通常在具有挑战性的场景中表现出错误或错过的检测.
研究的目的:
- 使用基于Mamba的架构开发一种先进的人体姿势估计技术.
- 为了提高准确性和稳定性,特别是在复杂的环境中,有堵塞和密集的人群.
主要方法:
- 设计了一个GMamba骨干网络,并配备了用于精确定位关键点的门禁机制.
- 实现了切片降低采样 (SD) 和多通道功能融合,以获得丰富的姿势信息.
- 引入了适应性值焦点损失 (ATFL) 以动态加权易出错的关键点.
主要成果:
- 在COCO 2017验证套件上获得了72.2的平均精度 (AP) 和92.6的AP50.
- 与典型算法相比,AP50显示出1.1%的改进.
- 在复杂场景中显著提高了准确性和稳定性,包括遮蔽和复杂背景的情况.
结论:
- 拟议的基于Mamba的人类姿势估计方法有效地检测出人类关键点,并提高了准确性和稳定性.
- 在具有挑战性的场景中,GMamba的骨干,SD,功能融合和ATFL有助于在具有挑战性的场景中实现卓越的性能.
- 这种方法在现实应用中为可靠的人体姿势估计提供了有希望的解决方案.
