
-
生物通官微
陪你抓住生命科技
跳动的脉搏
面向智能体育的集成运动去模糊与 GSANet 的轻量化姿态估计框架
《Scientific Reports》:Vision-based human pose estimation for intelligent sports training and teaching assistance
【字体: 大 中 小 】 时间:2026年09月26日 来源:Scientific Reports 4.9
编辑推荐:
摘要基于视觉的人体姿态估计可以支持智能体育训练和教学,但在实际场景中,快速运动、运动模糊、遮挡、背景干扰和计算约束仍具挑战性。本研究提出了一种面向体育的框架,集成了运动去模糊、目标跟踪以及一个名为GSANet的轻量级高分辨率姿态估计器。GSANet使用Ghost模块、沙漏结构
基于视觉的人体姿态估计可以支持智能体育训练和教学,但在实际场景中,快速运动、运动模糊、遮挡、背景干扰和计算约束仍具挑战性。本研究提出了一种面向体育的框架,集成了运动去模糊、目标跟踪以及一个名为GSANet的轻量级高分辨率姿态估计器。GSANet使用Ghost模块、沙漏结构、坐标注意力和无偏数据处理重新设计了HRNet,在保留高分辨率空间表征的同时降低了计算复杂度。COCO和MPII被用作主要基准,而一个小型的补充性体育数据集SGDN用于评估运动模糊和基于预处理的去模糊影响。相比于未进行ImageNet预训练的已知HRNet-W32配置,GSANet显著减少了模型参数和计算复杂度,尽管其绝对姿态估计精度较低。在SGDN数据集上,基于预处理的去模糊在PCKh指标上带来了温和但具有统计学支持的提升。总体而言,结果支持GSANet在评估设置下作为效率导向的替代方案,而不是作为普遍更准确或可直接部署的姿态估计器。