基于非局部高分辨率网络的轻量化人体姿态估计方法

doi:10.11772/j.issn.1001-9081.2021030512

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (5): 1398-1406.DOI: 10.11772/j.issn.1001-9081.2021030512

所属专题：人工智能

基于非局部高分辨率网络的轻量化人体姿态估计方法

孙琪翔¹, 何宁²(), 张敬尊², 宏晨¹

^1.北京联合大学机器人学院，北京 100101
^2.北京联合大学智慧城市学院，北京 100101

收稿日期:2021-04-04 修回日期:2021-06-02 接受日期:2021-06-03 发布日期:2022-06-11 出版日期:2022-05-10
通讯作者: 何宁
作者简介:孙琪翔（1994－），男，黑龙江大兴安岭人，硕士研究生，主要研究方向：数字图像处理、计算机视觉
何宁（1970－），女，辽宁盘锦人，教授，博士，主要研究方向：数字图像处理 xxthening@buu.edu.cn
张敬尊（1980－），女，河北衡水人，讲师，博士，主要研究方向：数字图像处理
宏晨（1974－），男，宁夏青铜峡人，副教授，博士，主要研究方向：多媒体信息处理。
基金资助:
国家自然科学基金资助项目(61872042);国家重点研发计划项目(2018AAA0100804);北京市教委科技计划重点项目(KZ201911417048);北京市教委科技计划面上项目(KM202111417009);北京联合大学人才强校优选计划项目(BPHR2020AZ01);北京联合大学研究生科研创新项目(YZ2020K001)

Lightweight human pose estimation method based on non-local high-resolution network

Qixiang SUN¹, Ning HE²(), Jingzun ZHANG², Chen HONG¹

^1.College of Robotics，Beijing Union University，Beijing 100101，China
^2.Smart City College，Beijing Union University，Beijing 100101，China

Received:2021-04-04 Revised:2021-06-02 Accepted:2021-06-03 Online:2022-06-11 Published:2022-05-10
Contact: Ning HE
About author:HONG Chen， born in 1974，Ph. D.，associate professor. Hisresearch interests include multimedia information processing.
HE Ning， born in 1970，Ph. D.，professor. Her research interestsinclude digital image processing.
ZHANG Jingzun， born in 1980，Ph. D.，lecturer. Her researchinterests include digital image processing.
HONG Chen， born in 1974，Ph. D.，associate professor. Hisresearch interests include multimedia information processing.
First author contact:SUN Qixaing， born in 1994， M. S. candidate. His researchinterests include digital image processing，computer vision.
Supported by:
National Natural Science Foundation of China(61872042);National Key Research and Development Program of China(2018AAA0100804);Key Program of Science and Technology Plan of Beijing Municipal Education Commission(KZ201911417048);General Program of Science and Technology Plan of Beijing Municipal Education Commission(KM202111417009);Premium Program of Strengthening University by Talents of Beijing Union University(BPHR2020AZ01);Research and Innovation Program for Graduate Students of Beijing Union University(YZ2020K001)

摘要/Abstract

摘要：

人体姿态估计是计算机视觉中的基本任务之一，可应用于动作识别、游戏、动画制作等领域。当前深度网络模型的设计大多通过加深网络以获得更好的性能，结果导致计算资源的需求超出嵌入式设备和移动设备的计算能力，达不到实际应用要求。针对上述问题，提出了一种融合Ghost模块结构的轻量级网络模型，即使用Ghost模块替换原高分辨率网络中的基础模块，从而减少网络模型的参数量。此外，设计了非局部高分辨率网络，即在网络1/32分辨率阶段融合非局部网络模块，使网络具有获取全局特征的能力，从而提高人体姿态估计的准确率，并在保证模型准确率的前提下降低网络参数量。在MPII人体姿态估计数据集和COCO人体姿态估计数据集上的实验结果表明，所提网络模型与原高分辨率网络相比，在网络模型参数量降低40%的情况下，人体姿态估计准确率提升了1.8个百分点。

关键词: 人体姿态估计, 非局部模块, 轻量化, Ghost模块, 高分辨率网络

Abstract:

Human pose estimation is one of the basic tasks in computer vision， which can be applied to the fields such as action recognition， games， and animation production. The current designs of deep network model mostly use deepening the network to obtain better performance. As a result， the demand for computing resources is beyond the computing power of embedded devices and mobile devices， and the requirements of actual applications can not be met. In order to solve the problems， a new lightweight network model integrating Ghost module structure was proposed， that is， the Ghost module was used to replace the basic module in the original high-resolution network， thereby reducing the number of network parameters. In addition， a non-local high-resolution network was designed， that is， the non-local network module was fused in the 1/32 resolution stage of the network， so that the network has the ability to obtain global features， thereby improving the accuracy of human pose estimation， and reducing the network parameters while ensuring the accuracy of model. Experiments were carried out on the human pose estimation datasets such as Max Planck Institut Informatik （MPII） and the Common Objects in COntext （COCO）.Experimental results indicate that， compared with the original high-resolution network， the proposed network model has the accuracy of human pose estimation increased by 1.8 percentage points with the number of network parameters reduced by 40%.

Key words: human pose estimation, non-local module, lightweight, Ghost module, high-resolution network

中图分类号:

TP391.4

孙琪翔, 何宁, 张敬尊, 宏晨. 基于非局部高分辨率网络的轻量化人体姿态估计方法[J]. 计算机应用, 2022, 42(5): 1398-1406.

Qixiang SUN, Ning HE, Jingzun ZHANG, Chen HONG. Lightweight human pose estimation method based on non-local high-resolution network[J]. Journal of Computer Applications, 2022, 42(5): 1398-1406.

图/表 14

参考文献 37

1	王冉.基于深度卷积神经网络的人体姿势估计研究［D］.成都：电子科技大学，2016：11-12.
	WANG R. A research of human pose estimation based on deep convolutional neural network ［D］. Chengdu： University of Electronic Science and Technology of China， 2016： 11-12.
2	YAN S J， XIONG Y J， LIN D H. Spatial temporal graph convolutional networks for skeleton-based action recognition ［C］// Proceedings of the 2018 32nd AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2018：7444-7452.
3	FANG H S， XIE S Q， TAI Y W， et al. RMPE： regional multi-person pose estimation ［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 2353-2362. 10.1109/iccv.2017.256
4	CHEN Y L， WANG Z C， PENG Y X， et al. Cascaded pyramid network for multi-person pose estimation ［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 7103-7112. 10.1109/cvpr.2018.00742
5	HUANG S L， GONG M M， TAO D C. A coarse-fine network for keypoint localization ［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 3047-3056. 10.1109/iccv.2017.329
6	XIAO B， WU H P， WEI Y C. Simple baselines for human pose estimation and tracking ［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11210. Cham： Springer， 2018：472-487.
7	NEWELL A， YANG K Y， DENG J. Stacked hourglass networks for human pose estimation ［C］// Proceedings of the 2016 European Conference on Computer Vision， LNCS 9912. Cham： Springer， 2016： 483-499.
8	YANG W， LI S， OUYANG W L， et al. Learning feature pyramids for human pose estimation ［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 1290-1299. 10.1109/iccv.2017.144
9	PISHCHULIN L， INSAFUTDINOV E， TANG S Y， et al. DeepCut： joint subset partition and labeling for multi person pose estimation ［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 4929-4937. 10.1109/cvpr.2016.533
10	IQBAL U， GALL J. Multi-person pose estimation with local joint-to-person associations ［C］// Proceedings of the 2016 European Conference on Computer Vision， LNCS 9914. Cham： Springer， 2016： 627-642.
11	INSAFUTDINOV E， PISHCHULIN L， ANDRES B， et al. DeeperCut： a deeper， stronger， and faster multi-person pose estimation model ［C］// Proceedings of the 2016 European Conference on Computer Vision， LNCS 9910. Cham： Springer， 2016： 34-50.
12	HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition ［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016：770-778. 10.1109/cvpr.2016.90
13	LEVINKOV E， UHRIG J， TANG S Y， et al. Joint graph decomposition & node labeling： problem， algorithms， applications ［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 1904-1912. 10.1109/cvpr.2017.206
14	VARADARAJAN S， DATTA P， TICKOO O. A greedy part assignment algorithm for real-time multi-person 2D pose estimation ［C］// Proceedings of the 2018 IEEE Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2018： 418-426. 10.1109/wacv.2018.00052
15	CAO Z， SIMON T， WEI S E， et al. Realtime multi-person 2D pose estimation using part affinity fields ［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 1302-1310. 10.1109/cvpr.2017.143
16	NEWELL A， HUANG Z A， DENG J. Associative embedding： end-to-end learning for joint detection and grouping ［C］// Proceedings of the 2017 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 2274-2284.
17	XIA F， WANG P， CHEN X， et al. Joint multi-person pose estimation and semantic part segmentation ［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 6769-6778. 10.1109/cvpr.2017.644
18	PAPANDREOU G， ZHU T， CHEN L C， et al. PersonLab： person pose estimation and instance segmentation with a bottom-up， part-based， geometric embedding model ［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11218. Cham： Springer， 2018： 282-299.
19	TANG W， YU P， WU Y. Deeply learned compositional models for human pose estimation ［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11207. Cham： Springer， 2018： 197-214.
20	孙琪翔，何宁，张聪聪，等.轻量级图卷积人体骨架动作识别方法［J/OL］.计算机工程.［2021-06-25］..
	SUN Q X， HE N， ZHANG C C， et al. A lightweight graph convolution human skeleton action recognition method ［J/OL］. Computer Engineering. ［2021-06-25］. .
21	VANHOUCKE V， SENIOR A， MAO M Z. Improving the speed of neural networks on CPUs ［EB/OL］. ［2021-02-12］. .
22	GONG Y C， LIU L， YANG M， et al. Compressing deep convolutional networks using vector quantization ［EB/OL］. ［2021-06-25］. .
23	COURBARIAUX M， BENGIO Y， DAVID J P. BinaryConnect： training deep neural networks with binary weights during propagations ［C］// Proceedings of the 2015 28th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2015： 3123-3131.
24	COURBARIAUX M， HUBARA I， SOUDRY D， et al. Binarized neural networks： training deep neural networks with weights and activations constrained to + 1 or - 1 ［EB/OL］. ［2021-06-25］. .
25	RASTEGARI M， ORDONEZ V， REDMON J， et al. XNOR-Net： ImageNet classification using binary convolutional neural networks ［C］// Proceedings of the 2016 European Conference on Computer Vision， LNCS 9908. Cham： Springer， 2016： 525-542.
26	HANSON S J， PRATT L Y. Comparing biases for minimal network construction with back-propagation ［C］// Proceedings of the 1988 1st International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 1988： 177-185.
27	李小夏，李孝安.一种改进的神经网络相关性剪枝算法［J］.电子设计工程，2013，21（8）： 65-67. 10.3969/j.issn.1674-6236.2013.08.020
	LI X X， LI X A. An improved correlation pruning algorithm for artificial neural network ［J］. Electronic Design Engineering， 2013， 21（8）： 65-67. 10.3969/j.issn.1674-6236.2013.08.020
28	赵蓉，唐楚淇，刘伟林，等.一种新的基于灰色关联分析的BP神经网络剪枝算法［J］.科技创新与应用，2016（13）：17-18.
	ZHAO R， TANG C Q， LIU W L， et al. A new BP neural network pruning algorithm based on grey relational analysis ［J］. Technological Innovation and Application， 2016（13）： 17-18.
29	IANDOLA F N， HAN S， MOSKEWICZ M W， et al. SqueezeNet： AlexNet-level accuracy with 50x fewer parameters and <0.5 MB model size ［EB/OL］. ［2021-06-25］. .
30	HOWARD A G， ZHU M， CHEN B， et al. MobileNets： efficient convolutional neural networks for mobile vision applications ［EB/OL］. ［2021-06-25］. . 10.1109/cvpr.2018.00286
31	SUN K， XIAO B， LIU D， et al. Deep high-resolution representation learning for human pose estimation ［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 5686-5696. 10.1109/cvpr.2019.00584
32	HAN K， WANG Y H， TIAN Q， et al. GhostNet： more features from cheap operations ［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 1577-1586. 10.1109/cvpr42600.2020.00165
33	WANG X L， GIRSHICK R， GUPTA A， et al. Non-local neural networks ［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 7794-7803. 10.1109/cvpr.2018.00813
34	ANDRILUKA M， PISHCHULIN L， GEHLER P， et al. 2D human pose estimation： new benchmark and state of the art analysis ［C］// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2014： 3686-3693. 10.1109/cvpr.2014.471
35	LIN T Y， MAIRE M， BELONGIE S， et al. Microsoft COCO： common objects in context ［C］// Proceedings of the 2014 European Conference on Computer Vision， LNCS 8693. Cham： Springer， 2014： 740-755.
36	BUADES A， COLL B， MOREL J M. A non-local algorithm for image denoising ［C］// Proceeding of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2005： 60-65. 10.1109/cvpr.2005.38
37	KINGMA D P， BA J L. Adam： a method for stochastic optimization ［EB/OL］. ［2021-06-25］. .

方法	身体各部位准确率							平均准确率
方法	头	肩	肘部	手腕	臀部	膝盖	脚踝	平均准确率
文献［7］方法	96.5	96.0	90.3	85.4	88.8	85.0	81.9	89.2
文献［4］方法	96.5	96.0	90.4	86.0	89.5	85.2	82.3	89.6
文献［11］方法	95.6	95.9	90.7	86.5	89.9	86.6	82.5	89.8
文献［31］方法	97.1	95.9	90.3	86.4	89.1	87.1	83.3	90.3
本文方法	97.3	96.0	90.9	86.8	89.2	87.5	83.0	90.5

方法	身体各部位准确率							平均准确率
方法	头	肩	肘部	手腕	臀部	膝盖	脚踝	平均准确率
文献［7］方法	96.5	96.0	90.3	85.4	88.8	85.0	81.9	89.2
文献［4］方法	96.5	96.0	90.4	86.0	89.5	85.2	82.3	89.6
文献［11］方法	95.6	95.9	90.7	86.5	89.9	86.6	82.5	89.8
文献［31］方法	97.1	95.9	90.3	86.4	89.1	87.1	83.3	90.3
本文方法	97.3	96.0	90.9	86.8	89.2	87.5	83.0	90.5

方法	骨干网络	输入大小	网络参数量/10⁶	计算力/GFLOPS	不同评价标准下的准确率/%					AR/%
方法	骨干网络	输入大小	网络参数量/10⁶	计算力/GFLOPS	AP	AP⁵⁰	AP⁷⁵	AP^M	AP^L	AR/%
Stacked Hourglass^［7］	Hourglass	256×192	25.1	14.3	66.9	—	—	—	—	—
CPN^［4］	ResNet-50	256×192	27.0	6.2	68.6	—	—	—	—	—
CPN+OHKM^［4］	ResNet-50	256×192	27.0	6.2	69.4	—	—	—	—	—
SimpleBaseline^［6］	ResNet-50	256×192	34.0	8.9	70.4	88.6	78.3	67.1	77.2	76.3
	ResNet-101	256×192	53.0	12.4	71.4	89.3	79.3	68.1	78.1	77.1
	ResNet-152	256×192	68.6	15.7	72.0	89.3	79.8	68.7	78.9	77.8
HRNet W32^［31］	HRNet-W32	256×192	28.5	7.1	74.4	90.5	81.9	70.8	81.0	79.8
HRNet W48^［31］	HRNet-W48	256×192	63.6	14.6	75.1	90.6	82.2	71.5	81.8	80.4
本文方法W32	NGHRNet-W32	256×192	14.6	4.3	76.2	92.6	83.6	72.0	81.7	81.1
本文方法W48	NGHRNet-W48	256×192	33.5	7.87	76.9	93.2	83.9	72.6	82.0	81.9
SimpleBaseline^［6］	ResNet-152	384×288	68.6	35.6	74.3	89.6	81.1	70.5	79.7	79.7
HRNet W32^［31］	HRNet-W32	384×288	28.5	16.0	75.8	90.6	82.7	71.9	82.8	81.0
HRNet W48^［31］	HRNet-W48	384×288	63.6	32.9	76.3	90.8	82.9	72.3	83.4	81.2
本文方法W32	NGHRNet-W32	384×288	14.6	8.4	77.6	92.9	83.2	73.1	83.5	81.9
本文方法W48	NGHRNet-W48	384×288	33.5	17.1	78.0	93.2	84.4	74.1	84.4	82.0

方法	骨干网络	输入大小	网络参数量/10⁶	计算力/GFLOPS	不同评价标准下的准确率/%					AR/%
方法	骨干网络	输入大小	网络参数量/10⁶	计算力/GFLOPS	AP	AP⁵⁰	AP⁷⁵	AP^M	AP^L	AR/%
Stacked Hourglass^［7］	Hourglass	256×192	25.1	14.3	66.9	—	—	—	—	—
CPN^［4］	ResNet-50	256×192	27.0	6.2	68.6	—	—	—	—	—
CPN+OHKM^［4］	ResNet-50	256×192	27.0	6.2	69.4	—	—	—	—	—
SimpleBaseline^［6］	ResNet-50	256×192	34.0	8.9	70.4	88.6	78.3	67.1	77.2	76.3
	ResNet-101	256×192	53.0	12.4	71.4	89.3	79.3	68.1	78.1	77.1
	ResNet-152	256×192	68.6	15.7	72.0	89.3	79.8	68.7	78.9	77.8
HRNet W32^［31］	HRNet-W32	256×192	28.5	7.1	74.4	90.5	81.9	70.8	81.0	79.8
HRNet W48^［31］	HRNet-W48	256×192	63.6	14.6	75.1	90.6	82.2	71.5	81.8	80.4
本文方法W32	NGHRNet-W32	256×192	14.6	4.3	76.2	92.6	83.6	72.0	81.7	81.1
本文方法W48	NGHRNet-W48	256×192	33.5	7.87	76.9	93.2	83.9	72.6	82.0	81.9
SimpleBaseline^［6］	ResNet-152	384×288	68.6	35.6	74.3	89.6	81.1	70.5	79.7	79.7
HRNet W32^［31］	HRNet-W32	384×288	28.5	16.0	75.8	90.6	82.7	71.9	82.8	81.0
HRNet W48^［31］	HRNet-W48	384×288	63.6	32.9	76.3	90.8	82.9	72.3	83.4	81.2
本文方法W32	NGHRNet-W32	384×288	14.6	8.4	77.6	92.9	83.2	73.1	83.5	81.9
本文方法W48	NGHRNet-W48	384×288	33.5	17.1	78.0	93.2	84.4	74.1	84.4	82.0

阶段序号	网络参数量/10⁶	计算力/GFLOPS	AP/%
0	29.1	7.1	76.7
1	22.9	6.0	76.5
1、2	18.8	5.1	76.4
1、2、3	16.0	4.6	76.3
1、2、3、4	14.6	4.3	76.2

基于非局部高分辨率网络的轻量化人体姿态估计方法

Lightweight human pose estimation method based on non-local high-resolution network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 37

相关文章 15

编辑推荐

Metrics

阶段序号	网络参数量/10⁶	计算力/GFLOPS	AP/%
0	14.3	4.3	74.2
1	14.3	4.3	74.4
2	14.4	4.3	75.2
3	14.5	4.3	75.5
4	14.6	4.3	76.2

[1]	张勇进, 徐健, 张明星. 面向轻量化的改进YOLOv7棉杂检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2271-2278.
[2]	程小辉, 黄云天, 张瑞芳. 基于多尺度和加权坐标注意力的轻量化红外道路场景检测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1927-1934.
[3]	宋霄罡, 张冬冬, 张鹏飞, 梁莉, 黑新宏. 面向复杂施工环境的实时目标检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1605-1612.
[4]	耿焕同, 刘振宇, 蒋骏, 范子辰, 李嘉兴. 基于改进YOLOv8的嵌入式道路裂缝检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1613-1618.
[5]	封筠, 毕健康, 霍一儒, 李家宽. 轻量化沥青路面裂缝图像分割网络PIPNet[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1520-1526.
[6]	黄子杰, 欧阳, 江德港, 郭彩玲, 李柏林. 面向牵引座焊缝表面质量检测的轻量型深度学习算法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 983-988.
[7]	张成涵宇, 林钰哲, 谭程珂, 王俊帆, 顾烨婷, 董哲康, 高明煜. 基于轻量化YOLOv5的新型菜品识别网络[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 638-644.
[8]	陈姿芊, 牛科迪, 姚中原, 斯雪明. 适用于物联网的区块链轻量化技术综述[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3688-3698.
[9]	赵欣, 李鑫杰, 徐健, 刘步云, 毕祥. 基于卷积神经网络与Transformer并行的医学图像配准模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3915-3921.
[10]	王宏, 钱清, 王欢, 龙永. 融合大核注意力卷积的轻量化图像篡改定位算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2692-2699.
[11]	张广耀, 宋纯锋. 融合人体全身表观特征的行人头部跟踪模型[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1372-1377.
[12]	张韵, 王淑营, 郑庆, 张海柱. 保持细节几何特征的三维网格模型轻量化算法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1226-1232.
[13]	郝巨鸣, 杨景玉, 韩淑梅, 王阳萍. 引入Ghost模块和ECA的YOLOv4公路路面裂缝检测方法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1284-1290.
[14]	孙杰, 吴绍鑫, 王学军, 华璟. 基于Sophon SC5+芯片构架的行人搜索算法与优化[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 744-751.
[15]	苏亚婷, 刘翠响. 基于高分辨率网络和图卷积网络的三维人体重建模型[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 583-588.