赵佳圆，张玉茹，苏晓东，徐红岩，李世洲，张玉荣

（1.哈尔滨商业大学计算机与信息工程学院，黑龙江 哈尔滨 150028；2.黑龙江省电子商务与智能信息处理重点实验室，黑龙江 哈尔滨 150028）

0 引言

近年来，人体姿态估计任务［1］已经成为计算机视觉领域的研究热点，主要应用于人机交互［2］、行为识别［3］等领域。该任务的主要目的是检测并定位图片中所有人体关键点，例如手、膝盖等。目前的研究表明，尽管卷积神经网络在姿态估计任务中表现不错，但对于局部信息比较敏感，要想获取全局上下文信息，就必须依赖更大的卷积核或更深的层。目前，许多单尺度网络都采用经典的编解码器结构，例如文献［4-5］介绍上述网络通过卷积、池化等下采样操作提取特征，并通过上采样操作恢复分辨率。虽然这样的结构已经取得了很好的性能，但对于复杂关键点的识别精度难以提升，主要原因是单尺度网络缺乏输入空间的上下文信息。为了解决这个问题，文献［6-7］提出了多尺度结构，将不同尺度的特征进行融合，以获得共享的特征表达。

虽然多尺度结构已经取得了不错的效果，但是它在实际任务中仍然会受到人体可变性和外部因素的影响。此外，复杂的关键点（如“膝”和“脚踝”）很难被精确识别。在MPII 数据集中，高分辨率网络（HRNet）对简单的关键点（如“头”和“肩”）的PCKh@0.5 精度已经接近饱和，分别为96.2%和95.0%。然而，对于复杂的关键点，例如“膝”和“脚踝”，PCKh@0.5 精度仅达到84.3% 和80.6%，这限制了模型的整体性能。虽然高分辨……