← 全部專題大學專題 · MIPR 2024
姿態估測模型瘦身：計算量少約三成，準確率只差 0.1%
基於熱圖之人體姿態估計模型輕量化研究
Lightweight Human Pose Estimation Using Heatmap-based
盧聖周、李浤瑋、韓育銘、周濟民
- 79.13%PCKh@0.5（原模型 79.23%）
- 45→38 ms推論延遲
想解決什麼問題
準確的人體姿態估測模型通常很肥，難以在手機上即時跑。本專題以 Google BlazePose 為基礎，挑戰在不犧牲準確率的前提下把模型變輕。
怎麼做
- 移除座標回歸分支，只用熱圖輸出關節位置（LBH 架構）
- 膨脹卷積：維持 3×3 的計算量，卻有 5×5 的視野
- PixelShuffle 取代「卷積＋雙線性插值」的上採樣
- 加入 SENet 注意力機制，用極少計算量把準確率補回來
做出了什麼
- 參數量從 904K 降到 773K，計算量約減少 30%，延遲從 45 ms 降到 38 ms
- 以 COCO 訓練、MPII 測試：左腳被擋住時，只有加了 SENet 的版本不會把右腳誤認成左腳
- 延伸示範：高爾夫揮桿姿勢檢測
成果圖
內容與圖片皆取自該組的成果報告或論文。
← 全部專題