基于YOLOPose的人体姿态估计轻量级网络.pdf
《基于YOLOPose的人体姿态估计轻量级网络.pdf》由会员分享,可在线阅读,更多相关《基于YOLOPose的人体姿态估计轻量级网络.pdf(7页珍藏版)》请在咨信网上搜索。
1、第卷 第期 年 月沈 阳 理 工 大 学 学 报 收稿日期:基金项目:辽宁省自然科学基金指导计划项目()作者简介:王红霞()女教授博士研究方向为人工智能与云计算、物联网与网络技术文章编号:()基于 的人体姿态估计轻量级网络王红霞李枝峻顾 鹏(沈阳理工大学 信息科学与工程学院沈阳)摘 要:为解决人体姿态估计模型在提升预测精度时参数量和计算量增多导致模型运行效率低下的问题在 模型基础上设计出一种轻量级人体姿态估计网络 选择轻量级 网络重新构建骨干网络保持特征丰富性同时加快特征提取速度调整特征融合层通道数并添加 注意力机制进行跨通道交互实现模型轻量化与准确度的平衡引用 损失函数降低几何因素的惩罚增强
2、模型的鲁棒性和泛化能力 实验结果显示在 数据集上改进后模型对比原始 模型在保持一定准确度的情况下模型参数量和计算量分别降低.和.有效降低了模型运算复杂度关 键 词:人体姿态估计 注意力机制中图分类号:.文献标志码:./.():.:人体姿态估计是计算机视觉领域中对图片中人体关键点进行定位在视频监控、智能驾驶等领域有着重要作用随着神经网络的迅猛发展基于深度学习的多人姿态估计网络通常分为由下至上和由上至下两类 年 等提出了一种由下至上的 网络该网络在 网络末端添加了一个高效反卷积模块并采用了多分辨率训练以及热图聚合策略从而有效地解决了小人物关键定位不准确的问题 年 等提出了解耦关键点回归()网络通过
3、多个并行分支结构对每个关键点独立进行特征提取和回归实现了关键点之间的解耦 同年 等对 网络进行改进并提出了 网络该网络将多分辨率并行设计以及局部窗口自注意力引入 并在前馈神经网络中添加卷积操作有效实现了断开连接的图像窗口之间的信息交换 此外 等提出了一种名为 的模型该模型将变换神经网络引入人体姿态估计能够捕获人体各部位的全局空间依赖关系提高了模型识别准确度上述人体姿态估计网络虽提升了关键点定位准确度但同时模型参数量或计算量也随之增加致使模型运行效率低下无法有效作用于实时性设备 因此本文重点研究如何使模型在具有较高关键点定位准确度的前提下有效减少模型参数量和计算量 模型改进是一种无热度图端到端单
4、阶段的联合检测方法 与自上而下方法相比该模型不需要通过目标检测算法以及单人姿态估计网络进行关键点定位也不同于基于热度图的自下而上方法其关键点后处理与多个前向传播被取消 该模型在一次前向传播中联合检测出多人边框以及相应人体关键点每个人体边框都对应一个人体姿态从而形成单人关键点的固有分组因此本文选择 模型并进行如下改进)选择轻量级 网络作为骨干网络加快特征提取速度)使用损失函数 评估网络边框损失)添加 高效通道注意力机制保证网络识别准确度.改进网络总体架构本文对原始 模型具体做出如下改进 为实现特征提取网络轻量化本文删除了原始 模型骨干网络最后一个 模块将删除了最后一层池化以及三个二维 卷积的轻量
5、级 网络作为新的骨干网络保留了原始模型中特征提取网络的空间金字塔池化()层 随后将不同尺度输出特征经过上采样输入到特征融合层中 为进一步减少模型参数量本文将特征融合层的卷积与 模块通道数由 、分别对应调整为、同时为保持识别准确度在特征金字塔()结构的上采样以及金字塔注意力()结构的卷积模块之前添加了 注意力机制最后为更好评估模型性能本文使用 损失函数替换原有 边框损失函数 其改进后总体网络架构如图 所示.骨干网络改进原始 模型使用 骨干网络其首先会通过对输入图片进行切片操作其次使用 个卷积及 模块对输入特征进行不同尺度特征提取其中 模块由 个卷积模块与 个残差块 组成 模块将输入特征映射为两部
6、分并通过跨阶段层次使用通道拼接操作进行合并 最后 对输入特征进行一次卷积后分别经过 、以及 的池化并将不同池化输出特征与卷积输出特征进行通道拼接综上可知 骨干网络主要由、和 模块构成带来了较大计算量特征提取速度较慢 因此本文选择轻量级 网络替换原有骨干网络使得模型轻量化的同时保证网络的特征提取能力有 与 两个版本本文将 作为新的骨干网络其具体原理如下 首先 网络将 模块作为基本单元进行神经网络搜索使得不同模块具有不同的宏观结构并使用 算法对结构进行微调减小了扩充层与每层的大小第 期 王红霞等:基于 的人体姿态估计轻量级网络图 改进后总体网络架构图.图 的 单元.模块结构如图 所示 其次网络加入
7、了 注意力机制结构如图 所示图中、分别为输入特征、卷积操作的结果特征、通道赋权操作的结果特征、分别代表输入特征宽、高与通道数、则表示卷积操作之后的特征宽、高与通道数图中 为一系列卷积操作()表示全局平均池化操作()是指非线性变换操作()代表通道赋权操作 注意力机制首先对输入特征进行卷积与全局平均池化操作然后将尺寸为()的向量输入激活函数分别为 与 的两个全连接层最后与输入特征进行相乘操作使得特征图在通道数不变的情况下每个通道具备不同的权重并让其值保持在区间图 注意力模块.最后 基于 函数重新设计出 瓶颈残差激活函数 函数与 函数分别为()()()()()()并使用 函数取代 结构原有 函数消除
8、指数运算对模型运算速度的影响 函数和 函数分别为()()()()().特征融合网络改进随着神经网络的层次加深提取到的特征语义信息越加丰富但特征位置信息也会逐渐丢失 采取 与 来解决此问题 首先将输入特征图送入 结构经过卷积和上采样操作随后与骨干网络不同尺度输出特征进行融合并送入 模块反复迭代使其深层特征图包含更强的位置信息最后 结构通过下采样加强特征图语义信息并融合两个特征使不同尺度特征图充分保留了语义与位置信息 在 原有特征融合结构基础上加深了一层但增强特征融合能力的同时模型计算量和参数量也随之增多 因此本文对特征融合层卷积通道数做出调整并添加 注意力机制保证模型的识别精度 注意力机沈 阳
9、理 工 大 学 学 报 第 卷制是一种改进的 网络其在 基础上提出了无降维局部交叉信道交互策略结构如图 所示图中 为自适应一维卷积核大小 表示激活函数图 注意力模块.将原有 中全连接层替换成一维卷积在避免维度缩减的同时捕获部分通道信息减少了模型参数具体原理如下 首先对输入特征进行全局平均池化其次通过自适应大小为 的一维卷积及 激活函数得到通道权重并与输入特征进行通道相乘操作得到加权后的特征图决定 值自适应大小函数形式为 ()()()式中:为自适应一维卷积核大小 和 决定了 与 的比例 值设置为 值为 表示取奇数操作.损失函数替换 损失包括边框、关键点位置以及置信度损失其总损失公式为()()式中
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 YOLOPose 人体 姿态 估计 轻量级 网络
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。