10.3778/j.issn.1002-8331.1909-0383
人体关键点检测的Mask R-CNN网络模型改进研究
由于在现有的人体关键点检测问题中,深度学习解决方案采用的掩膜区域卷积神经网络Mask R-CNN存在参数量大导致计算成本过高、迭代次数多导致训练时间过长等问题,提出了一种基于重组通道网络ShuffleNet改进Mask R-CNN网络模型.通过引入ShuffleNet的网络结构,使用分组逐点卷积与通道重排的操作与联合边框回归和掩膜分割的计算结果对Mask R-CNN进行轻量化改进.使用该方法改进网络模型在进行单人或多人情况下的人体关键点检测中,在保留精度的前提下,可以加快运行速度,减少检测时间.
深度学习、卷积神经网络(CNN)、掩膜区域卷积神经网络(MaskR-CNN)、重组通道网络、人体关键点检测
57
TP391.4(计算技术、计算机技术)
国家自然科学基金;广西创新驱动重大专项项目;广西重点研发计划项目
2021-01-13(万方平台首次上网日期,不代表论文的发表时间)
共11页
150-160