9723.
随着轻量级网络的发展;人体姿态估计任务得以在计算资源有限的设备上执行;然而;提升精度变得更具有挑战性。这些挑战主要源于网络复杂度与计算资源的矛盾;导致模型在简化时牺牲了表示能力。针对上述问题;提出一种基于解耦注意力和幻影卷积的轻量级人体姿态估计网络(DGLNet)。具体来说;DGLNet以小型高分辨率网络(Small HRNet)模型为基础架构;通过引入解耦注意力机制构建DFDbottleneck模块;采用shuffleblock的结构对基础模块进行重新设计;即用轻量级幻影卷积替代计算量大的点卷积;并利用解耦注意力机制增强模块性能;从而构建DGBblock模块;此外;用幻影卷积和解耦注意力重新构建的深度可分离卷积模块来替代原过渡层模块;从而构建GSCtransition模块;进一步减少计算量并增强特征交互性和提高性能。在COCO验证集上的实验结果显示;DGLNet优于轻量级高分辨率网络(Lite-HRNet);在计算量和参数量不增加的情况下;最高精度达到了71.9%;与常见的轻量级姿态估计网络MobileNetV2和ShuffleNetV2相比;DGLNet在仅使用21.2%和25.0%的计算量情况下分别实现了4.6和8.3个百分点的精度提升;在AP
50的评价标准上;DGLNet超过了大型高分辨率网络(HRNet)的同时计算量和参数量远小于HRNet。… …
相似文献