-
题名基于解耦注意力与幻影卷积的轻量级人体姿态估计
被引量：2
- 1
-
-
作者
陈俊颖
郭士杰
陈玲玲
-
机构
复旦大学工程与应用技术研究院
河北工业大学机械工程学院
智能康复装置与检测技术教育部工程研究中心(河北工业大学)
河北工业大学人工智能与数据科学学院
-
出处
《计算机应用》
北大核心
2025年第1期223-233,共11页
-
基金
河北省省级科技计划项目(22372001D)
河北省自然科学基金资助项目(F2021202021)。
-
文摘
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。
-
关键词
人体姿态估计
轻量级网络
注意力机制
幻影卷积
深度可分离卷积模块
-
Keywords
human pose estimation
lightweight network
attention mechanism
ghost convolution
depthwise separable convolution module
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于参数轻量化的井下人体实时检测算法
被引量：6
- 2
-
-
作者
董昕宇
师杰
张国英
-
机构
中国矿业大学(北京)机电与信息工程学院
-
出处
《工矿自动化》
北大核心
2021年第6期71-78,共8页
-
基金
国家自然科学基金项目(U1704242)。
-
文摘
针对现有井下人员目标检测方法因网络较深、计算量庞大而不能达到实时检测效果的问题,提出了一种基于参数轻量化的井下人体实时检测算法。采用深度可分离卷积模块和倒置残差模块构建轻量级特征提取网络:通过深度可分离卷积压缩参数量和运算量,提升特征提取网络的运算速度;倒置残差模块通过更高维度的张量来提取足够多的信息,保证特征提取网络的精确度。结合轻量级特征提取网络和SSD多尺度检测方法建立井下人体实时检测模型,该模型在轻量级倒置残差特征提取网络的基本结构上增添传统卷积层至27层进行卷积操作,其中6层特征图被抽取进行多尺度预测,测试结果表明,该模型的大小为18 MB,帧率约为35帧/s,性能优于常用的VGG16+Faster R-CNN模型和VGG16+多尺度检测模型。为适应井下特定环境的目标检测需求,设计了基于Faster R-CNN的人体数据半自动标注方法,可显著减少人工工作量,提高井下人体检测精度。利用矿工服装颜色信息对检测结果框进行二次筛选,剔除将背景检测为人体的误检框。测试结果表明,该算法实现了采煤工作面人员实时定位检测及框选,精度达92.86%,召回率为98.11%,有效解决了井下人员漏检及误检问题。
-
关键词
采煤工作面
井下人体实时检测
深度可分离卷积模块
倒置残差模块
参数轻量化
多尺度检测
半自动标注
-
Keywords
coal mine working face
underground human body real-time detection
depth separable convolution module
inverted residual module
parameter lightweight
multi-scale characteristic detection
semi-automatic annotation
-
分类号
TD76
[矿业工程—矿井通风与安全]
-
