단일 인물의 자세 추정 기술은 스포츠 분야 및 임상 응용 분야에서 마커리스 운동 분석을 가능하게 한다. 그러나 현재까지 개발된 최신의 자세 추정 모델들은 실생활 응용에 필요한 조건을 충족하지 못하는 경우가 많다. 딥러닝 기술의 급속한 발전으로 인해 다양한 고도화된 접근 방식이 등장했으나, 이 분야의 진보와 함께 더 복잡하고 비효율적인 모델들이 도입되면서 계산 자원 소비가 급격히 증가하는 문제가 발생하고 있다. 이러한 복잡성과 비효율성 문제를 해결하기 위해, 본 연구에서는 효율적이고 확장 가능한 단일 인물 자세 추정을 실현하기 위해 최근 제안된 EfficientNet 기반의 새로운 합성곱 신경망 아키텍처인 EfficientPose를 제안한다. EfficientPose는 효과적인 다중 스케일 특징 추출기와 모바일 인버티드 버블 콘볼루션을 활용한 계산 효율적인 탐지 블록을 통합한 모델군으로, 동시에 자세 구성의 정확도를 더욱 향상시키는 데 성공했다. 낮은 복잡성과 높은 효율성 덕분에 EfficientPose는 메모리 사용량과 계산 비용을 제한함으로써 엣지 디바이스에서의 실용적 응용을 가능하게 한다. 도전적인 MPII 단일 인물 기준 데이터셋을 활용한 실험 결과에 따르면, 제안된 EfficientPose 모델은 정확도와 계산 효율성 측면에서 널리 사용되는 OpenPose 모델을 상당히 능가함을 확인할 수 있었다. 특히, 최고 성능을 기록한 모델은 낮은 복잡도의 ConvNet 기반으로도 단일 인물 MPII 데이터셋에서 최신 기술 수준의 정확도를 달성하였다.