计算机应用

作者：佘本杰, 苏树智, 朱彦敏, 华健, 王超

单位：1.安徽理工大学 计算机科学与工程学院，安徽 淮南 232001；2.安徽理工大学 机电工程学院，安徽 淮南 232001

关键词：姿态估计,高分辨率网络,局部卷积,坐标注意力,积分回归

基金：国家自然科学基金资助项目(52374155);安徽省高等学校自然科学研究项目（重大项目）(2022AH040113);安徽省自然科学基金资助项目(2308085MF218);安徽理工大学研究生创新基金资助项目(2023cx2132)

基于热图检测的人体姿态估计网络取得了巨大的成功，然而由于冗余计算、量化误差以及热图解码的需求，基于热图检测的方法参数量较大。针对上述问题，设计基于非全局依赖积分回归的轻量姿态估计网络（Lite-NIRNet）。Lite-NIRNet通过局部卷积（PConv）降低网络的冗余计算，从而使网络更加轻量。为缓解PConv导致的信息丢失问题，引入坐标注意力（CA）机制融合跨通道特征，以提升网络性能。此外，设计非全局依赖的积分回归（NIR）模块，通过该模块，网络可以融入坐标进行监督，从而减少量化误差对网络性能的影响。所提的NIR可有效降低传统积分回归在期望计算时产生的偏差，从而兼顾更好的学习梯度和更低的偏差。实验结果表明，Lite-NIRNet与较先进的高分辨率网络（HRNet）相比，在COCO验证集上的参数量和计算量分别降低了73.0%和63.4%，平均精度均值（mAP）不需要额外的热图解码即可达到72.8%；在MPII验证集上，Lite-NIRNet在网络性能和复杂度之间也能实现良好的平衡。

来源：2025年第3期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第3期