YOLOv3剪枝模型的多人姿态估计

目的 为了解决复杂环境中多人姿态估计存在的定位和识别等问题，提高多人姿态估计的准确率，减少算法存在的大量冗余参数，提高姿态估计的运行速率，提出了基于批量归一化层（batch normalization，BN）通道剪枝的多人姿态估计算法（YOLOv3 prune pose estimator，YLPPE）。方法 以目标检测算法YOLOv3（you only look once v3）和堆叠沙漏网络（stacked hourglass network，SHN）算法为基础，通过重叠度K-means算法修改YOLOv3网络锚框以更适应行人目标检测，并训练得到Trimming-YOLOv3网络；利用批量归一化层的缩放因子对Trimming-YOLOv3网络进行循环迭代式通道剪枝，设置剪枝阈值与缩放因子，实现较为有效的模型剪枝效果，训练得到Trim-Prune-YOLOv3网络；为了结合单人姿态估计网络，重定义图像尺寸为256×256像素（非正方形图像通过补零实现）；再级联4个Hourglass子网络得到堆叠沙漏网络，从而提升整体姿态估计精度。结果 利用斯坦福大学的MPⅡ数据集（MPⅡ human pose dataset）进行实验验证，本文算法对姿态估计的准确率达到了83.9%；同时，时间复杂度为O（n²），模型参数量与未剪枝原始YOLOv3相比下降42.9%。结论 结合YOLOv3剪枝算法的多人姿态估计方法可以有效减少复杂环境对人体姿态估计的负面影响，实现复杂环境下的多人姿态估计并提高估计精度，有效减少模型冗余参数，提高算法的整体运行速率，能够实现较为准确的多人姿态估计，并具有较好的鲁棒性和泛化能力。

Research on multiperson pose estimation combined with YOLOv3 pruning model