随着卷积神经网络迅速发展,人们通过设计复杂的模型来解决姿态估计问题。为提高运行效率,提出利用知识蒸馏将大型网络的知识转移到紧凑型网络中。首先训练一个深层次的姿态估计教师网络,然后利用教师网络预测得到的概率热图作为学生网络的标签,指导学生网络完成姿态估计。学生网络是一个轻量级的姿态估计网络,它可以学习教师网络的姿态结构知识,并且训练时间远低于教师网络,能够在计算资源不足的情况下训练学生网络。

针对目前复杂的人体姿态估计网络参数量大、计算成本高以及读者对算法的理解分析难度大等问题,提出了一种基于注意力机制的人体姿态估计网络。该网络使用结构简单的编码器、解码器来预测人体关节点热图。为了使编码层提取的特征更具代表性,在编码层中加入了通道注意力机制,该操作在降低模型复杂度的同时保证了其预测精度。解码层采用多个反卷积模块得到最终的预测结果。算法模型在两个数据集(MPⅡ和COCO)上进行验证,在MPⅡ数据集上PCKh@0.5达到89%;在COCO数据集上,与CBA对比,虽然AP略低0.2个百分点,但单张图片推理速度提升了10.1 ms。实验结果表明,所提方法能够有效检测出人体关节点,并且优于各种先进的姿态估计方法。