摘要：
针对传统的人体姿态识别在实际应用过程中存在的诸多问题，如应用场景单一、目标物体背景复杂以及目标被遮挡识别精度差等，本文提出了一种基于Yolo-Pose的人体姿态估计算法。具体的改进过程分为4个部分。
首先，在Yolo-Pose模型的Backbone部分，引入了轻量级GhostNet模块，以降低模型的参数量和减少算力需求，使其更适宜在无人机上部署。
其次，在Neck部分引入ACmix注意力机制，在模型对目标进行判断和定位的任务中提高了检测速度。
接着，在Head部分关键点的优化上，通过坐标注意力机制，大幅提高了关键点定位的精度。
最后，本文改进了损失函数和置信度函数，以提高模型的鲁棒性。
数据：
图像分辨率为5280×2970像素，也采集了600张图片。两者共采集了1200张图片，并以 8:1 :1的比例划分训练集、测试集和验证集。
网络模型：
Yolov5网络模型 Notes:CBS由Conv、Batch Normalization和SiLU激活函数三部分组成。C3的作用是特征提取和特征融合。
名词解释：
1、CBS：是一个常见的组合，通常在卷积神经网络中使用卷积层(Convolutional Layer)进行特征提取，然后通过批量归一化(Batch Normalization)标准化输入，再通过SiLU激活函数增加非线性特性，
2、C3结构是YOLOv5和YOLOv8中使用的一种改进的卷积模块，用于高效提取特征。C3模块结合了残差连接和跨层特征传递的思想，能够更好地捕获图像的多尺度特征，并减少信息丢失。
结构：（1）残差连接（2）Bottleneck模块，每个Bottleneck模块包括卷积层、批量归一化和非线性激活函数（如SiLU），它的作用是减少计算量，保持信息流动性，同时有效提取特征。（3）CSPNet，CSP结构会将输入的特征图分成两部分，其中一部分直接通过残差块，另一部分则跳过这些块。最后将这两部分特征图拼接在一起。（4）通道拼接
3、SPPF:SPPF模块用于在不同尺度上提取特征，保留更多的空间信息。将SPPF放在Backbone中可以帮助模型从不同的空间层次获取特征，增强检测能力。【SPP是空间金字塔池化的缩写，】
4、下采样：是CNN中常用的一种操作，主要目的是减少输入特征图的空间尺寸(即宽高)，从而降低计算复杂度，并保留重要的特征以便后续的处理。【在YOLO等目标检测模型的Backbone部分，下采样被广泛用于逐步减小输入特征图的大小。比如，使用步长为2的卷积操作或池化操作，以减少特征图尺寸的同时提取更高层次的特征。】
5、GhostNet：是一种高效的卷积神经网络架构，核心思想是生成更多的特征图，同时减少计算量。
6、ACmix注意力机制，具体例子，在目标检测中，ACmix通过增强对重要特征的响应，提高了模型对目标物体的定位能力。例如，可以通过将ACmix嵌入YOLO或Faster R-CNN等目标检测网络中，改善检测框的生成和物体分类的准确性。
7、非极大值抑制（NMS）：是一种常用于目标检测和图像分割任务中的后处理技术。它的主要目的是从候选检测框中去除冗余的、重叠度较高的框，以提高检测结果的准确性和可读性。尽管NMS在许多任务中表现出色，但在物体密集的场景中可能会出现信息丢失的问题，因此需要谨慎选择其参数，并结合其他变体来优化检测结果。
8、Warm-up策略：是一种在训练深度学习模型时常用的技术，旨在帮助模型更好地收敛并提高训练的稳定性。这个策略特别适用于使用学习率调度的场景，通常在训练的初期阶段对学习率进行逐渐增加的调整。
