Greit-HRNet: Grouped Lightweight High-Resolution Network for Human Pose Estimation

由于多尺度特征对于人体姿势估计任务非常重要，高分辨率网络被广泛应用。为了提高效率，在高分辨率网络中提出了轻量级模块来替换昂贵的逐点卷积，包括通道加权和空间加权方法。然而，它们无法维持权重的一致性并捕捉全局空间信息。为了解决这些问题，我们提出了一个分组轻量级高分辨率网络（Greit-HRNet），其中我们提出了一个Greit块，包括一种分组方法Grouped Channel Weighting（GCW）和一种空间加权方法Global Spatial Weighting（GSW）。GCW模块将条件通道加权分组以使权重稳定，并随着网络的加深维护高分辨率特征，而GSW模块有效地提取全局空间信息并在通道之间交换信息。此外，我们应用了大核心注意力（LKA）方法来提高我们的Greit-HRNet的整体效率。我们在MS-COCO和MPII人体姿势估计数据集上的实验表明，我们的Greit-HRNet表现优异，胜过其他最先进的轻量级网络。

本文旨在解决人体姿态估计中需要多尺度特征的问题，并提出了一种轻量级模块来替换高分辨率网络中昂贵的逐点卷积，同时保持权重的一致性和捕捉全局空间信息。

本文提出了一种名为Greit-HRNet的分组轻量级高分辨率网络，其中包括使用组方法的分组通道加权和全局空间加权方法的Greit块。分组通道加权模块使权重稳定并随着网络的加深而保持高分辨率特征，而全局空间加权模块有效地提取全局空间信息并在通道之间交换信息。

本文的亮点包括使用LKA方法来提高Greit-HRNet的整体效率，并在MS-COCO和MPII人体姿态估计数据集上进行了实验，表现优于其他最先进的轻量级网络。此外，本文提出的Greit块可以与现有的高分辨率网络结构相结合，从而具有广泛的适用性。

近期的相关研究包括轻量级网络结构的改进和新的多尺度特征提取方法的提出，例如HRNet、EfficientPose和HigherHRNet等。