轻量级OpenPose：实时光实时多人体姿态估计在边缘设备上的应用

本文档标题为"1811.12004.pdf"，主要探讨的是如何将多人体姿态估计（Multi-person Pose Estimation）的架构适应到边缘设备（edge devices）上，以实现实时性能。作者Daniil Osokin来自Intel，他在文中选择了一种基于OpenPose的方法，这是2016年COCO关键点挑战的赢家，因其良好的质量和对多人数量变化的鲁棒性而备受青睐。 OpenPose采用的是自底向上的方法，即先检测出人体各个部位的关键点，如脚踝、膝盖和臀部等，再根据这些关键点重建出完整的身体姿态骨架。为了适应边缘计算的需求，该研究提出了一种轻量级的网络设计，并对后处理代码进行了优化。实验证明，这个优化后的解决方案在Intel® NUC6i7KYB微型PC上可以达到每秒28帧（fps）的速度，在Core i7-6850K CPU上则是26fps，尽管网络模型只有4.1百万参数，但其计算复杂度仅为基础的两阶段OpenPose的约15%，而性能几乎保持一致。 这种轻量化的设计使得模型能够在资源有限的设备上高效运行，这对于那些对实时性和能源效率有严格要求的应用场景，如动作识别、运动捕捉和体育监控等领域具有重要意义。此外，作者还强调，该研究成果已作为Intel® OpenVINO™ Toolkit的一部分提供，这意味着开发者可以直接利用这些成果来加速他们的项目开发。 总结来说，这篇论文的核心贡献在于介绍了一种能在边缘设备上实现高效、实时多人体姿态估计的轻量化方法，通过优化网络结构和算法，成功地平衡了精度和计算资源消耗，对于推动计算机视觉技术在实际应用中的部署具有积极影响。