马金伯

摘 要：人体姿态估计是计算机视觉领域的一个研究热点，已經应用于教育、体育等方面，在视频监控、人机交互、智能校园等领域有着广阔的应用前景。简单的姿态估计基线方法在沙漏残差模块中加入几层反卷积层，使用均方误差（MSE）损失函数，结构和算法复杂度较低且能够较为精确地预测出关节点热图。首先，采用分段函数H-ESL（huber-exponential squared loss）损失函数，克服了MSE损失函数对于异常值较为敏感的缺点。其次，提出的网络在基线方法的网络上加入了注意力机制，并将大的卷积核转换成小的卷积核，使得网络精度提升的同时减少参数量及计算量，从而提高网络的预测效率。拟建网络利用COCO2017数据集的地面真实值分别进行训练和验证，均实现了高精度，mAP提高了2.6%，证明该方法适用于各种人类关键热图的输入，并能取得良好的效果。

关键词：深度学习;人体姿态估计;损失函数;热图;COCO数据集

Abstract：As a hot topic in computer vision，human pose estimation has gradually penetrated into all aspects of education， sports and so on. It has a wide application prospect in the fields of video surveillance， human-computer interaction and intelligent campus.In the simple baseline method， several layers of deconvolution were added into the hourglass residual module， and the mean square error loss function is used.First， piecewise function H-ESL （Huber-Exponential Squared Loss） loss function is adopted to overcome the shortcoming that MSE loss function is sensitive to outliers.Secondly， the proposed network adds an attention mechanism to the network of the baseline method， and converts large convolution kernels into small convolution kernels， which improves the accuracy of the network and reduces the number of parameters and the amount of computation， thus improving the prediction efficiency of the network.The proposed network is trained and verified by ground truth value of COCO2017 dataset， and both of them achieve high precision. Map is increased by 2.6%， which proves that this method is suitable for heat mAP input of multiple human body key points and can achieve good results.

Key words：deep learning; human pose estimation; loss function;heat map; COCO datasets

人体姿态估计包括单人姿态估计和多人姿态估计两种估计模式，姿态估计的过程包括标注图片或者视频中人体关节点的位置后对关节点进行最优连接。由于通过深度学习进行二维人体姿态估计的方法与传统需要人工设定特征的方法相比较，更能充分地提取图像信息且获取更具有鲁棒性的特征，因此基于深度学习的姿态估计方法是目前二维人体姿态估计算法研究的主流方向。相对而言，多人姿态估计应用领域更加广泛，例如在自动驾驶时对路人的行为做出判断以提前避免车祸的发生、使用人体关键点定位识别出病人的肢体行为以对病人的病情进一步了解、根据姿态估计判别运动员的形体动作是否规范等等。……