摘要
高分辨率网络在人体姿态估计任务中展现出强大的多尺度特征提取能力，但其在捕捉关节间的长程依赖关系方面表现不足，且计算复杂度较高。为解决上述问题，本文提出一种动态轻量级高分辨率网络（Dynamic lightweight High-Resolution Network, Dite-HRNet），能够高效提取多尺度上下文信息，并建模人体关节间的长程空间依赖关系。具体而言，本文提出两种新方法：动态分叉卷积（dynamic split convolution）与自适应上下文建模（adaptive context modeling），并将其嵌入两种新型轻量级模块中，分别命名为动态多尺度上下文模块（dynamic multi-scale context block）和动态全局上下文模块（dynamic global context block）。这两个模块作为Dite-HRNet的基本构成单元，专为高分辨率网络设计，充分挖掘并利用其并行多分辨率架构的优势。实验结果表明，所提出的网络在COCO和MPII人体姿态估计数据集上均取得了优异性能，超越了当前最先进的轻量级网络。代码已开源，地址为：https://github.com/ZiyiZhang27/Dite-HRNet。