2021轻量级人体姿态估计模型之路(附谷歌MoveNet复现经验)
发布网友
共1个回答
热心网友
本文介绍了一段个人在轻量级人体姿态估计领域探索的经历，从需求背景、方案探索、复现经验到最终的优化与总结，详细阐述了在人体姿态估计过程中遇到的问题、挑战及解决方案。
需求背景：
面对新需求，需要实时检测自然场景下目标人体的关键点位置。经过初步分析，作者认为基于之前的人脸关键点检测经验，实现这一需求应该相对简单，然而在实际操作中遇到了挑战，认识到人体姿态估计任务的复杂性。
方案探索与复现经验：
作者首先尝试了基于人脸关键点检测的代码进行修改，但由于人体姿态估计任务的特殊性，如目标大小分布不一致、关节活动范围大、相对位置不固定以及存在遮挡等问题，导致直接回归关键点的方案效果不佳。经过反思，作者决定引入当前主流方案，并选择了Lightweight OpenPose作为优化目标。
在使用Lightweight OpenPose的过程中，作者发现原模型的优化空间有限，且存在运算冗余。因此，作者进一步研究并优化了该模型，通过调整backbone、剪枝、修改分辨率、蒸馏等手段，最终实现了模型速度和精度的平衡。
在优化Lightweight OpenPose后，作者偶然发现了谷歌开源的MoveNet模型，并对其进行了复现。通过分析MoveNet模型结构和后处理流程，作者复现了该模型，并进行了进一步的优化，最终在验证集和测试集上实现了接近饱和的精度，同时将速度提升至嵌入式CPU上能跑到60+ms。
总结与展望：
整个探索过程展示了从需求分析、方案选择、模型优化到实际应用的全过程。作者通过此次经历，不仅深入理解了人体姿态估计领域的知识和技术，还积累了宝贵的实战经验。未来，作者计划继续探索量化感知训练、蒸馏等方法，以期进一步提升模型的性能和效率。
