摘要：人体姿态检测的核心是准确检测人体关键点，由于高分辨率网络存在着一定局限性，对此，提出一种自适应跨维加权高分辨率网络；针对网络跨维信息交互不足的问题，采用跨维分离卷积方法提取信息，实现了在空间和通道之间有效的信息交换；针对关键点定位不精确的问题，采用自适应上下文建模方法，通过自适应变换和输入特征的空间加权，增强了网络捕捉复杂空间关系的能力，使得网络能够提取多尺度上下文信息并建立跨维度依赖关系，从而在不增加计算复杂度的情况下提高了准确性；此外，还引入了坐标注意力机制融合来自不同分支和规模的特征，使检测准确性得到进一步提升；经COCO和MPII数据集实验测试，与主流轻量型网络相比，自适应跨维加权高分辨率网络性能更好，兼顾了效率与精度。
文章目录
0 引言
1 轻量型人体姿态检测网络
1.1 2D人体姿势姿态检测
1.2 轻量级高分辨率网络
1.3 高效的卷积神经网络
1.4 条件权重生成
2 自适应跨维加权高分辨率网络
2.1 ACW-HRNet
2.2 ACW模块设计
3. 自适应跨维加权高分辨率网络的关键方法
3.1 跨维度拆分卷积
3.1.1 Split-Concat-Shuffle(SCS)模块
3.1.2 跨维度权重计算(CWC)模块
3.2 自适应上下文建模
3.2.1 自适应分辨率权重
3.2.2 自适应空间加权（ASW）
3.3 坐标注意力
4.实验结果与分析验证
4.1数据集和评估指标
4.2 实验结果
4.2.1 COCO验证集
