语义增强和自适应多尺度特征融合的人体姿态估计

来源：计算机工程与应用杂志2025年第23期北京时间：

作者：张家波, 何阿娟, 唐上松

单位：重庆邮电大学 通信与信息工程学院，重庆 400065

摘要：由于关键点尺度较小且位置敏感，如何有效提取空间和语义信息一直是姿态估计任务的主要挑战。为此，提出了一种语义增强和自适应多尺度特征融合的人体姿态估计模型（SAMFFNet）。SAMFFNet以轻量级的MobileNetV2作为骨干网络构建特征金字塔，利用EfficientViT生成尺度感知的全局语义，在设计的深层语义注入模块中，利用上下文引导的注意力将全局语义与局部特征融合，增强关键点的语义表示。提出了自适应多尺度特征融合模块，该模块通过集成大型选择卷积核模块（LSK）和跨层交互机制，能根据输入特征动态地调节较大的空间感受野，并增强不同尺度特征之间的信息交互。实验结果表明，在COCO验证集上，SAMFFNet与使用的骨干网络相比，精度指标提升了6.1个百分点，达到70.7%，虽然比大模型SimpleBaseline的精度略低，但参数量减少了85.0%，计算量降低了78.3%。同样在MPII数据集上，与骨干网络相比也实现了2.3个百分点的精度提升。综合COCO与MPII数据集上的表现，充分证实了SAMFFNet在强化人体结构特征与特征融合策略上的有效性。

关键词：人体姿态估计,语义增强,上下文引导的注意力（CGA）,自适应特征融合,特征金字塔（FPN）