杨洪智，丁学明，姬建林

（上海理工大学 光电信息与计算机工程学院，上海 200093）

0 引 言

2D 人体姿态检测是继深度学习快速发展背景下一个新兴的领域，当前处于计算机视觉领域研究的重点，可以应用在动作识别、异常行为检测、体育健身指导、步态分析等多个领域。相比于传统的基于语义分割的人像分割技术，人体姿态检测能更好的反映人体的关节部分在空间上的位置关系。

与传统的图像分类，目标检测任务不同，2D 人体姿态检测和语义分割都属于像素级感知的预测任务，而前两种任务为特征级感知任务。像素级感知预测任务的最大特点是网络对图像的空间感知力要强，才能准确的赋予像素点的任务属性，进而进行像素分割，或者热图回归。此类任务在研究的初期是利用图像分类的骨干网络作为特征提取模块，如ResNet、VGG 等主流主干网络，依次降低空间分辨率，并提高通道分辨率进行特征编码。为满足像素级感知任务的特征输出，通常需要设计相应的解码器，包括上采样和反卷积等方式，以恢复空间分辨率［1］。根据这种设计方法，研究人员设计了Simple Baseline 网络以解决2D 人体姿态检测任务［2］。而文献［3］认为在卷积过程中保持高分辨率特征将更精细的描绘被检测物体的细节，其实验结果证明这种高分辨率输入输出网络对像素级预测任务准确度具有较高的精度提升。与传统编解码网络不同，高分辨率网络是通过人工设计的多尺度特征融合模块来完成不同感受野之间信息交互，其网络特点是高精度定位和丰富的语义表达能力［4］。……