-
题名YOLOv3剪枝模型的多人姿态估计
被引量：11
- 1
-
-
作者
蔡哲栋
应娜
郭春生
郭锐
杨鹏
-
机构
杭州电子科技大学通信工程学院
-
出处
《中国图象图形学报》
CSCD
北大核心
2021年第4期837-846,共10页
-
基金
浙江省自然科学基金项目(LY16F010013)。
-
文摘
目的为了解决复杂环境中多人姿态估计存在的定位和识别等问题,提高多人姿态估计的准确率,减少算法存在的大量冗余参数,提高姿态估计的运行速率,提出了基于批量归一化层(batch normalization, BN)通道剪枝的多人姿态估计算法(YOLOv3 prune pose estimator, YLPPE)。方法以目标检测算法YOLOv3(you only look once v3)和堆叠沙漏网络(stacked hourglass network, SHN)算法为基础,通过重叠度K-means算法修改YOLOv3网络锚框以更适应行人目标检测,并训练得到Trimming-YOLOv3网络;利用批量归一化层的缩放因子对Trimming-YOLOv3网络进行循环迭代式通道剪枝,设置剪枝阈值与缩放因子,实现较为有效的模型剪枝效果,训练得到Trim-PruneYOLOv3网络;为了结合单人姿态估计网络,重定义图像尺寸为256×256像素(非正方形图像通过补零实现);再级联4个Hourglass子网络得到堆叠沙漏网络,从而提升整体姿态估计精度。结果利用斯坦福大学的MPII数据集(MPII human pose dataset)进行实验验证,本文算法对姿态估计的准确率达到了83.9%;同时,时间复杂度为O(n2),模型参数量与未剪枝原始YOLOv3相比下降42.9%。结论结合YOLOv3剪枝算法的多人姿态估计方法可以有效减少复杂环境对人体姿态估计的负面影响,实现复杂环境下的多人姿态估计并提高估计精度,有效减少模型冗余参数,提高算法的整体运行速率,能够实现较为准确的多人姿态估计,并具有较好的鲁棒性和泛化能力。
-
关键词
目标检测
多人姿态估计
模型剪枝
YOLOv3
堆叠沙漏网络
mpii数据集
-
Keywords
object detection
multi-person pose estimation
model pruning
YOLOv3
stacked hourglass network
mpii dataset
-
分类号
TP391.
[自动化与计算机技术—计算机应用技术]
-
-
题名一种用于人体关键点检测的改进算法
- 2
-
-
作者
刘颖
郑力新
-
机构
华侨大学工学院
-
出处
《现代计算机》
2020年第30期61-65,共5页
-
基金
华侨大学研究生科研创新基金资助项目(No.18014084007)。
-
文摘
采用HRNet的基本框架,在每个阶段的分辨率扩张前进行中间监督,可以有助解决后期对图片信息过度训练的情况,在每个阶段都提取最佳信息。并且将其使用的基本单元(残差网络)改为改进后的深度残差收缩网络,在保注意力机制训练的同时也保存原有信息,将每个中间监督输出信息经过使用反卷积操作,这样可以更好地保留图片变化前的信息。在数据集MPII上从90.8%提升到91.7%。
-
关键词
中间监督
深度残差收缩网络
反卷积
数据集mpii
-
Keywords
Middle Supervision
Deep Residual Contraction Network
Deconvolution
dataset mpii
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
