基于空间注意力的分布集成网络用于人体姿态估计
计算机视觉与模式识别
2023-11-10 v1 机器学习
摘要
近年来，通过深度学习技术的应用，人体姿态估计取得了显著进展。然而，这些技术在面对遮挡、外观多样、光照变化以及重叠等挑战性场景时仍存在局限。为应对此类缺陷，我们提出基于空间注意力的分布集成网络（SADI-NET），以提升此类情形下的定位精度。我们的网络由三个高效模块组成：感受野增强模块（RFM）、空间融合模块（SFM）与分布学习模块（DLM）。在经典 HourglassNet 架构基础上，我们用所提 RFM 替换基础块。RFM 结合空洞残差块与注意力机制，在扩展感受野的同时增强对空间信息的敏感性。此外，SFM 通过采用全局与局部注意力机制融入多尺度特征。进而，受残差对数似然估计（RLE）启发的 DLM，利用可训练分布权重重构预测的 heatmap。为确定模型有效性，我们在 MPII 与 LSP 基准上进行了大量实验。特别地，我们的模型在 MPII 测试数据集上取得了惊人的 准确率，较现有模型有显著提升并确立了最先进（state-of-the-art）性能。
引用
@article{arxiv.2311.05323,
title = {Spatial Attention-based Distribution Integration Network for Human Pose Estimation},
author = {Sihan Gao and Jing Zhu and Xiaoxuan Zhuang and Zhaoyue Wang and Qijin Li},
journal= {arXiv preprint arXiv:2311.05323},
year = {2023}
}