基于重参数化大核卷积的高分辨率姿态估计

摘要

尽管人体姿态估计领域的研究已取得显著进展，但面对动态场景变化、目标遮挡及背景复杂等难题，实现高精度、强鲁棒性的姿态估计依然面临巨大挑战。为解决这些问题，特别是关键点遮挡、重合及复杂环境干扰问题，本文提出了一种融合大核卷积技术的高分辨率人体姿态估计模型（RepLK-HRNet）。该模型的核心在于特征提取网络的独特设计，通过引入重参数化大核卷积策略，增强了模型捕捉多尺度、多层次特征信息的能力，同时通过调整网络结构，显著降低了参数量和计算复杂度。实验结果表明，相较于传统的高分辨率网络（HRNet）模型，RepLK-HRNet模型在标准数据集MS COCO2017上的精度提高了1.83%，在遮挡数据集OCHuman上的精度提高了23.7%，计算复杂度参数Params和GFLOPs分别下降了63.84%、37.69%。RepLK-HRNet模型在常规及遮挡、关键点混淆等条件下的人体姿态估计精度均实现了显著提升，展现了出色的鲁棒性和泛化能力，同时还满足了实际应用中对计算效率和存储空间的要求。

关键词

姿态估计 / 重参数化大核卷积 / HRNet / 感受野 / 特征融合