计算机应用

作者：崔家礼, 刘永基, 李子贺, 郑瀚

单位：1.北方工业大学 信息学院，北京 100144；2.广西高校人工智能与信息处理重点实验室（河池学院），广西 河池 546300

关键词：姿态检测,高精度增强,大型可分离核注意力,共享卷积检测头,轻量化网络

基金：广西高校人工智能与信息处理重点实验室（河池学院）开放研究基金资助项目(2024GXZDSY006)

在人体姿态检测任务中，现有的深度学习网络存在检测精度不足、网络参数复杂和计算成本高等问题，严重限制了它们的应用。为了解决这些问题，提出一种轻量且高精度的姿态检测改进网络HG-YOLO （High-precision and Ghost YOLO）。针对检测精度不足的问题，在HG-YOLO的主干网络，融合基于Transformer的检测网络RT-DETR （Real-Time DEtection TRansformer），并将大型可分离核注意力（LSKA）模块嵌入主干网络中，以在不增加内存占用和计算复杂性的基础上，提高网络应对复杂场景的特征提取能力，从而提高人体姿态的检测精度。针对网络参数复杂和计算成本高的问题，引入轻量化的Ghost卷积模块替换部分标准卷积，此外，在HG-YOLO的检测头部分，设计一种共享卷积检测头，以通过参数和权重共享机制减少卷积计算，从而降低网络的参数量和计算复杂度。在COCO （Common Objects in COntext） 2017-Keypoints数据集和CrowdPose数据集上的实验结果表明，与基准的YOLOv8-Pose网络相比，HG-YOLO的参数量减少了32%，浮点运算量减少了18%；在规模为小型（s）时，在COCO 2017-Keypoints数据集上，AP50 （Average Precision at OKS （Object Keypoint Similarity） of 0.50）提升了0.8个百分点，在CrowdPose数据集上，AP提升了2.9个百分点。可见，HG-YOLO不仅轻量，而且检测精度高，是人体姿态检测领域的优秀网络模型。

来源：2025年第12期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第12期