抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
2017年に提出した当時の検出効果に最も近いRMPEモデルおよびMaskR-CNNモデルより、人体骨格のキーポイント検出に用いるOpenPoseモデルは、精度がほぼ変わらない場合に、検出周期を大幅に短縮できる利点がある。しかし,このモデルには,低いパラメータ共有率,高い冗長度,長い時間消費,および大きいモデル規模などのいくつかの問題がある。上記の問題を解決するために,新しいOpenPose-slimモデルを提案した。このモデルでは,ネットワーク幅を減らし,畳込みブロック層数を減らし,元の並列構造を配列構造に変換し,内部モジュールにDense接続機構を加え,その処理過程を3つのモジュールに分割した。1)キーポイント位置決めモジュールは,人体骨格のキーポイントの位置座標を検出する。2)キーポイント接続モジュールは,キーポイント位置を肢に接続する。3)肢体マッチングモジュール、肢体マッチングを行い、人体輪郭を得る。各処理段階の間に緊密な関係がある。MPIIデータセット,COデータセット,およびAIChallengerデータセットに関する実験結果は,提案モデルが4つの位置決めモジュールと2つの関連モジュールを使用して,Dense接続機構が各々のモジュールの内部で最適構造であることを示した。OpenPoseモデルと比較して,試験サイクルは,ほぼ1/6に短縮し,そして,パラメータ量は,ほぼ50%減少し,そして,モデル規模は,約1/27に縮小した。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】
