EvoPose2D：基于权重迁移加速神经进化方法推动2D人体姿态估计的边界

神经架构搜索（Neural Architecture Search, NAS）在设计高效卷积神经网络方面已被证明极为有效，其生成的网络相较于人工设计的网络更适用于移动端部署。基于神经架构搜索在人体姿态估计领域具有巨大潜力的假设，我们首次探索了神经进化（neuroevolution）——一种受生物进化启发的神经架构搜索方法——在2D人体姿态估计网络设计中的应用。此外，我们提出了一种新的权重迁移策略，能够以灵活的方式加速神经进化过程。所提出的方法生成的网络在效率和精度上均优于当前最先进的手工设计网络。事实上，这些生成的网络能够在更高分辨率下处理图像，同时所需计算量低于以往手工设计网络在较低分辨率下的水平，从而推动了2D人体姿态估计的性能边界。我们基于神经进化设计的基础网络，称为EvoPose2D-S，在与SimpleBaseline相当的精度下，推理速度提升50%，模型文件大小缩小12.7倍。我们最大的网络EvoPose2D-L在Microsoft COCO关键点基准测试中达到了新的最先进精度，其模型大小仅为最近竞争对手的1/4.3，且推理速度相近。相关代码已公开，可访问：https://github.com/wmcnally/evopose2d。