《表2 不同模型准确率、参数量及训练时间对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于多源图像弱监督学习的3D人体姿态估计》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为验证本文残差模块改进方案对关节点位置回归精度的影响，分别使用不同的残差模块网络结构在相同条件下进行实验，其对比结果如表2所示。其中文献[13]的131～256表示残差模块（见图3(a）)对应的卷积依次为1×1、3×3和1×1，输入和输出通道数为256，表内其他方法数据物理含义同上。与文献[13]结果相比，本文模型（131～128）的准确率最低，降低约2.16%左右；而本文模型（333～256）的准确率最高，提升约0.66%左右，但其参数量和训练所需时间均成倍增加。这说明在保持残差模块卷积核大小不变的情况下，仅是简单地将输入输出通道数降低，其准确率会有所降低；而在保持输入输出特征维度不变的情况下，将卷积核大小放大，提高模型感受野，虽能提高模型的回归精度，但其参数量和训练所需时间也大幅增加。故本文选用333～128的残差模块改善方案（见图3(b）)以获得更优的回归性能。该方法可在减少模型参数的同时提高训练准确率，并且训练一个batch的时间与原始沙漏网络相比，下降了约28%。因此，实验表明，本文改善残差模块后的网络结构可在有效降低训练时间的同时提高模型准确率。