科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对现有的头部姿态估计算法在复杂场景下实时性较差，识别率较低的问题，提出了一种多阶段特征融合的三支流头部姿态估计算法。该算法具有多级输出的结构，用三条不同类型的网络分别对输入图像进行特征提取，并且每条支流上都有三个阶段，每一阶段只需要细化前一阶段的特征，相同阶段提取出的特征图经过特征融合模块来生成特征映射，有效避免了特征丢失问题；特征提取模块选择Ghost模块作为特征提取网络，利用模型压缩，使之在保证网络精度的同时减少网络参数和计算量；为提取出重要性更强的有效特征，引入高效通道注意力模块ECA-Net，从而提升头部姿态估计的准确性。实验结果表明，所提算法在AFLW2000数据集和BIWI数据集上均取得优异的性能，对比当前诸多头部姿态估计方法，模型大小仅为0.55MB，在AFLW2000和BIWI数据集上的MAE分别降低至4.68和3.59。
- 单位
