$P^2$ Net：用于注意力引导姿态估计的增强型并行金字塔网络

我们提出了一种增强型并行金字塔网络（$P^2~Net$），通过空洞瓶颈和注意力模块进行特征精炼。在数据预处理阶段，我们提出了一种可微自动数据增强（$DA^2$）方法。我们将搜索数据增强策略的问题表述为可微形式，从而可以通过训练中的反向传播轻松更新最优策略设置。$DA^2$ 提高了训练效率。随后采用并行金字塔结构以补偿网络引入的信息损失。我们创新了两种融合结构，即并行融合与渐进融合，用于处理来自骨干网络的金字塔特征。两种融合结构都有效利用了高分辨率下空间信息丰富和低分辨率下语义理解的优势。我们为金字塔特征提出了一个精炼阶段，以进一步提升网络的精度。通过引入空洞瓶颈和注意力模块，我们在有限复杂度下增大了特征的感受野，并调整了不同特征通道的重要性。为了在特征提取阶段完成后进一步精炼特征图，定义了一个注意力模块（$AM$）从并行金字塔结构生成的不同尺度特征图中提取加权特征。相比传统的上采样精炼，$AM$ 能更好地捕捉通道间的关系。实验证实了我们所提方法的有效性。值得注意的是，我们的方法在具有挑战性的 MSCOCO 和 MPII 数据集上取得了最佳性能。