详细增强的高分辨率网络用于人类姿势估计
Yuxuan Liu1, Guohui Zhou1, Wei He1
1School of Computer Science and Information Engineering, Harbin Normal University, Harbin, China.
PloS one
|September 2, 2025
概括
人类姿势估计的尺度变化由详细增强的高分辨率网络 (DE-HRNet) 处理. 该模型通过增强局部特征和使用动态采样器来保持在升级采样过程中的细节来提高小型机身关节的准确性.
科学领域:
- 计算机视觉
- 机器学习
背景情况:
- 尺度变化在人体姿势估计中是一个重大挑战,影响关键点预测的准确性,特别是在较小的身体部位.
- 现有的方法难以在不同的人体尺度上保持准确性.
研究的目的:
- 提出一个新型网络,即详细增强的高分辨率网络 (DE-HRNet),以有效地处理人类姿势估计的尺度变化.
- 提高不同身体部位尺度的关键点检测的准确性和稳定性.
主要方法:
- 引入一个细节增强模块 (DEM),以恢复和增强在不同规模的关键点上失去的低级特征.
- 采用超轻型动态采样器 (dySample) 取代最近的上方采样,尽量减少分辨率增强过程中的细节损失.
主要成果:
- 在COCO测试-dev2017数据集上,DE-HRNet实现了75.6个AP,在MPII有效数据集上达到90.7个PCKh@0.5.
- 与标准高分辨率网络 (HRNet) 相比,观察到0. 7AP和0. 4PCKh@0. 5的性能改善.
- 与现有方法相比,该方法在处理规模变化方面表现出强大.
结论:
- 通过保留本地细节,DE-HRNet有效地减轻了人类姿势估计的规模变化的影响.
- 拟议的DEM和dySample有助于提高准确性和稳定性,特别是对于具有挑战性的不同规模的关键点.
更多相关视频
06:32Author Spotlight: Automated Deep Brain Stimulation for Parkinson's Disease - Exploring the Possibilities and Challenges of Home Monitoring
Published on: July 14, 2023
1.4K
05:41A Step-by-Step Implementation of DeepBehavior, Deep Learning Toolbox for Automated Behavior Analysis
Published on: February 6, 2020
9.5K
