关键词: 卷积神经网络, 人体姿态估计, 多分辨率特征表征融合, 空间域注意力机制, 通道域注意力机制

摘要：

为了解决在人体姿态估计任务中直接融合多分辨率特征表示时无法有效利用特征地图的空间信息的问题，提出了基于高分辨率网络（HRNet）的多分辨率人体姿态估计网络，用于结构设计，即GCT-Nonlocal Net（GNNet），它结合了信道域和空间域注意机制，包含改进的交换单元、Gateneck模块和Gateblock模块。通过在多尺度融合之前添加空间注意机制，改进了交换单元，以从各种特征表示中提取更多有用的空间信息，这使得不同分辨率表示之间的信息融合更好，最终得到包含更丰富表示信息的高分辨率表示。此外，Gateneck模块和Gateblock模块能够更明确地建模渠道关系，通过引入渠道关注机制更有效地提取渠道信息。在MS COCO VAL 2017数据集上的验证结果表明，与最先进的人体姿势估计网络HRNet相比，所提出的GNNet在参数和计算复杂度相似的情况下实现了更高的精度，并且mAP提高了1.4个百分点。因此，改进的交换单元使多尺度信息融合在各种分辨率表示之间更加有效。

关键词： 卷积神经网络， 人体姿势估计， 多分辨率特征表示融合， 空间注意机制， 渠道注意机制