轻量多特征姿态估计网络

精度超越轻量骨干

以CNN与Transformer混合设计，在降低计算成本的同时聚合空间与通道特征，实现优于主流轻量模型的姿态估计精度。

Biao, Li · 唐守锋 · Li, Wenyi

Neurocomputing 2024

参数信息

COCO AP

65.8 %

参数量比值

19.8 %

参数量比值

25 %

GFLOPs比值

43.8 %

GFLOPs比值

50 %

技术优势

精度不降反升

比MobileNetV2高1.0个点、比ShuffleNetV2高5.6个点，轻量同时不牺牲表现。

参数少一个量级

参数量只有MobileNetV2的五分之一不到，便于端侧部署。

计算量砍半

GFLOPs比MobileNetV2少56.2%，比ShuffleNetV2少50%，实时推理更省算力。

应用场景

• 人机交互：端侧实时骨架识别，无需云端回传。
• 康复训练监测：轻量模型可嵌入穿戴设备连续监测关节角度。
• 工业安全监控：低算力下实时识别危险动作，及时报警。
• 无人机视觉导航：节省机载算力用于避障与路径规划。