面向嵌入式设备的轻量化单阶段坐姿识别网络——LSP-YOLO
计算机视觉与模式识别
2025-11-19 v1 人工智能
摘要
随着久坐行为的增多，由不良坐姿引起的健康问题正受到日益关注。大多数现有方法，无论是使用侵入式传感器还是计算机视觉，都依赖于两阶段管道，导致高度侵入性、计算密集且在嵌入式边缘设备上表现不佳。灵感来自 YOLOv11-Pose，我们提出了一种面向嵌入式边缘设备的轻量化单阶段坐姿识别网络，称为 LSP-YOLO。通过集成部分卷积 (PConv) 和相似感知激活模块 (SimAM)，设计了一个轻量化模块 Light-C3k2，以减少计算成本而保持特征提取能力。在识别头中，关键点直接通过点卷积映射到姿态类别，并采用中间监督来高效融合姿态估计和分类。在模型训练和测试方面，构建了一个包含 5000 张图片的包含六个姿态类别的数据集。最小的训练模型 LSP-YOLO-n 在个人电脑 (PC) 上实现 94.2% 的准确率和 251 FPS，模型大小仅 1.9 MB。同时，在 SV830C + GC030A 平台上演示了在受限计算资源下的实时高精度推理。该方法具有高效、轻量化和可部署性，适用于智能教室、康复和人机交互应用。
引用
@article{arxiv.2511.14322,
title = {LSP-YOLO: A Lightweight Single-Stage Network for Sitting Posture Recognition on Embedded Devices},
author = {Nanjun Li and Ziyue Hao and Quanqiang Wang and Xuanyin Wang},
journal= {arXiv preprint arXiv:2511.14322},
year = {2025}
}
备注
Submitted to Engineering Applications of Artificial Intelligence (EAAI)