关键词:
姿态估计
YOLOv8s-Pose
GhostNetV2网络
加权双向特征金字塔网络
损失函数
摘要:
针对现有人体姿态估计模型计算量大、检测速度慢等问题,提出了一种基于YOLOv8s-Pose模型的轻量化改进算法。在backbone中引入轻量化模块C2f-GhostNetBottleNeckV2替换原先C2f,减少参数量,提高模型速度。引入Non_Local注意力机制捕捉并传递人体关键点位置,直接融合全面的信息,为后续的层级提供更为丰富和深入的语义信息,提升整体的信息处理深度和广度,强化特征提取的效能,减少模型轻量化后精度降低问题,再将neck层引入加权双向特征金字塔网络,通过双向融合的理念,对自顶向下和自底向上的信息流动路径进行了重新规划,确保在处理不同尺度的特征信息时达到良好的平衡,给网络增加一个小目标检测头,减少对小目标的漏检情况,将CIOU损失函数更换为Focal-EIOU损失函数,以增强对复杂场景和多目标场景下的鲁棒性。实验结果表明,改进后的实验模型参数量降低了9.3%,在COCO2017人体关键点数据集上,与原模型相比mAP@0.50提升了0.4个百分点,mAP@0.50:0.95提升了0.6个百分点。可见,所提出的轻量化改进算法在减少模型参数量的同时,提升了人体姿态估计的算法精度,尤其对小目标检测有显著改善,为实现实时准确的姿态估计提供了有效手段。