基于改进ViTPose的人体姿态估计OA

[目的]针对现有人体姿态估计中存在关键点遮挡、边界定位模糊及复杂场景下空间结构信息利用不足等问题,提出一种高精度融合几何感知辅助监督与关键点加权机制的人体姿态估计网络.[方法]该方法以视觉Transformer为主干,引入多尺度几何感知深度预测分支与角度回归分支作为辅助任务.在训练阶段,通过联合回归关键点的相对深度值与整体姿态角,利用多任务学习策略隐式地增强模型对人体空间拓扑结构的理解能力.同时,提出自适应关键点加权模块,根据全局上下文特征动态地调整每个关键点的响应权重,有效抑制遮挡区域的错误响应.[结果]在MS COCO基准数据集上进行实验.该框架实现了0.86的平均精度和0.90的平均召回率,超越了HRNet、SimpleBaseline和OpenPose等广泛使用的基准模型.进一步分析表明,该性能提升是在仅引入有限参数量与计算开销的前提下实现的,表明该方法在精度与效率之间具有良好平衡.[结论]所提方法通过引入多尺度几何建模作为辅助监督信号,有效提升二维姿态估计在遮挡等复杂场景下的鲁棒性,其良好的泛化性与计算效率使其在临床导航和智能监护等实际应用中具有潜在价值.