Geisteraufmerksamkeits-Abwärtsnetz: Ein effektives leichtgewichtiges Top-Down-Netzwerk zur menschlichen Körperhaltungsschätzung

Tiefes Lernen hat bemerkenswerte Vorteile im Bereich der menschlichen Körperhaltungsschätzung gezeigt. Traditionelle Methoden verlassen sich jedoch oft auf die Verbreiterung und Vertiefung von Netzwerken, um die Leistung der menschlichen Körperhaltungsschätzung zu verbessern, was folglich die Anzahl der Parameter und die Komplexität der Netzwerke erhöht. Um dieses Problem anzugehen, führt dieses Papier das Ghost Attentional Down-Netzwerk ein, ein leichtgewichtiges Netzwerk zur menschlichen Körperhaltungsschätzung, das auf HRNet basiert. Dieses Netzwerk nutzt die Fusion von Merkmalen aus hochauflösenden und niedrigauflösenden Ästen, um die Leistung zu steigern. Darüber hinaus verwendet GADNet GaBlock und GdBlock, die leichte Faltungen und Aufmerksamkeitsmechanismen für die Merkmalsextraktion beinhalten, um die Parameterzahl und die rechnerische Komplexität des Netzwerks zu reduzieren. Die Fusion von Beziehungen zwischen verschiedenen Kanälen sorgt für die optimale Nutzung informativer Merkmalekanäle und löst das Problem der Merkmalsredundanz. Experimente, die mit dem COCO-Datensatz durchgeführt wurden, bei konsistenter Bildauflösung und Umgebungsbedingungen, zeigen, dass die Verwendung von GADNet zu einer Reduzierung von 60,7 % bei der Parameterzahl und 61,2 % bei der rechnerischen Komplexität im Vergleich zum HRNet-Netzwerkmodell führt, während vergleichbare Genauigkeitsniveaus erreicht werden. Darüber hinaus erreicht GADNet im Vergleich zu gängigen Netzwerken zur menschlichen Körperhaltungsschätzung wie dem Cascaded Pyramid Network (CPN), dem Stacked Hourglass Network und HRNet eine hochpräzise Erkennung menschlicher Schlüsselpunkte, selbst mit weniger Parametern und geringerer rechnerischer Komplexität; unser Netzwerk hat eine höhere Genauigkeit im Vergleich zu MobileNet und ShuffleNet.