《表1 COCO2017验证集结果》

  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

《轻量型高分辨率人体关键点检测改进研究》

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

表1是在COCO2017验证集上的验证结果。在结果中可以看到HRNet作为基础框架相较于别的网络框架可以取得在相当或更低的参数量与运算复杂度下更好的结果。本文提出Gatt Net，使用线性变化生成冗余特征图与通道特征图相结合的方法改进HRNet。在模型参数设置上采用了线性变换缩放系数s=2来进行冗余特征图的生成，根据公式（4）与公式（5），与HRNet相比降低的参数量与运算复杂度大约在50%附近，实际降低的参数量与运算复杂度为41.5%和36.7%，这是由于采用了通道注意力机制与全局平均池化等方法，所以实际的参数量与运算复杂度相比理论计算的参数量与运算复杂度有所不同。Gatt Net相较于Simple Baseline降低了50.9%，运算复杂度下降了49.5%，同时准确度上升了2.3个百分点。相较于最新的SOTA方法DARK，参数量下降了41.5%，运算复杂度下降了36.7%，准确度下降了1.9个百分点。相比于DARK降低了仅1.9个百分点的准确度，网络参数量与运算复杂度得到了大幅下降，使得网络更具实用意义。由于采用了HRNet-32作为基础网络框架，从实验结果可以看出与相同基础网络框架下的m AP、AP50、AP75等实验度量中的准确度均保持了类似的分布，仅在准确度数值上有所差别。在参数量与GFLOPs两个网络复杂度度量里可以看到，Gatt Net大幅减少了参数量与GFLOPs，相较于同类网络Gatt Net使用了更低的参数量与运算复杂度达到了优于或相当于同类网络的结果。