摘要
随着畜牧养殖业智能化、规模化的发展，与传统的养殖方法相比智慧养殖能提高动物健康水平，增加养殖效益，而且动物姿态估计可以推断出动物的站卧情况和运动时长，进而能够对其生活状态和健康情况做出一定估测。近年来，深度学习被广泛应用于姿态估计上，研究目标可不再受限于人，可将人体姿态估计的方法迁移到动物上。因此，本文通过借鉴近些年姿态估计的方法，引入深度神经网络相关知识，针对如何有效提高动物姿态估计准确度的问题进行了深入研究。本文的研究内容和创新如下： 针对在不同视角、关键点存在被遮挡以及动物姿态复杂多变情况下，动物姿态估计易出现难检、漏检的缺陷，提出了一种基于改进堆叠沙漏网络的动物姿态估计方法。首先，在原始残差块基础上，设计了大感受野残差块和预处理模块。其次，基于这三种残差块设计了沙漏网络，并在沙漏网络中融入了注意力机制。最后，在每个沙漏网络的末端设置中间监督，并将各个沙漏网络使用分层连接结构进行级联，构成最终的堆叠沙漏网络。通过在数据集上进行实验，其实验结果表明改进堆叠沙漏网络的动物姿态估计方法降低了漏检率，提高了动物姿态估计的准确度。 针对网络模型在多尺度特征融合表现不足和低层小目标信息会有缺失的缺陷，提出一种基于改进级联金字塔网络的动物姿态估计方法。该方法相对于级联金字塔模型主要改进包括：一是使用全局注意力模块，来适应地增强多尺度的特征图，采用全连接模块实现跨尺度的信息互补；二是在模型的RefineNet部分引入DenseNet思想，设计了稠密连接残差块替换原有的残差块，使特征图能被多次利用，从而增加特征的多样性；三是引入一种优良的激活函数Mish来优化模型，提高关键点定位的准确度。实验结果表明，改进级联金字塔网络有效的提高了动物姿态估计的准确度。
NETL