EvoPose2D : Repousser les limites de l'estimation de la posture 2D humaine grâce à une neuroévolution accélérée avec transfert de poids

La recherche d’architecture neuronale s’est avérée extrêmement efficace dans la conception de réseaux de neurones convolutifs performants, mieux adaptés au déploiement sur mobile que les réseaux conçus manuellement. En supposant que la recherche d’architecture neuronale présente un grand potentiel pour l’estimation de posture humaine, nous explorons pour la première fois l’application de la neuroévolution, une forme de recherche d’architecture inspirée par l’évolution biologique, dans la conception de réseaux 2D pour l’estimation de posture humaine. Par ailleurs, nous proposons un nouveau schéma de transfert de poids permettant d’accélérer la neuroévolution de manière flexible. Notre méthode produit des architectures de réseau plus efficaces et plus précises que les meilleurs réseaux conçus manuellement actuellement disponibles. En effet, les réseaux générés traitent des images à des résolutions plus élevées tout en utilisant moins de calcul que les réseaux précédemment conçus manuellement à des résolutions plus faibles, ce qui nous permet de repousser les limites de l’estimation de posture humaine 2D. Notre réseau de base, conçu via la neuroévolution et que nous appelons EvoPose2D-S, atteint une précision comparable à celle de SimpleBaseline tout en étant 50 % plus rapide et 12,7 fois plus petit en taille de fichier. Notre réseau le plus volumineux, EvoPose2D-L, atteint une nouvelle précision d’état de l’art sur le benchmark Microsoft COCO Keypoints, est 4,3 fois plus petit que son concurrent le plus proche, et présente une vitesse d’inférence similaire. Le code source est disponible publiquement à l’adresse suivante : https://github.com/wmcnally/evopose2d.