DoNews6月6日消息，近日，蘑菇車聯提出BalanceHRNet人體姿態估計模型，能夠幫助自動駕駛精準識別行人意圖。
這一研究成果被國際頂級期刊Neural Networks收錄。
Neural Networks是世界三大神經網絡領域權威學術期刊之一，也是SCI一區期刊，涉及行為學、腦建模、學習算法、數學和計算分析，以及使用神經網絡概念和技術的工程和技術應用。
目前，人體姿態估計的主流方法是使用神經網絡來識別人體關鍵點。
近年來，該領域研究人員提出多種深度學習模型來提高人體姿態估計的準確性，包括主流的HigherHRNe模型。
盡管這一模型已經取得很大進步，但在復雜環境或者擁擠場景下，不同個體間的相互遮擋會導致檢測難度激增，識別準確性會大大降低。
鑒於此，蘑菇車聯提出BalanceHRNet模型，該模型借鑒HigherHRNet的多分支結構和融合方法，克服HigherHRNet無法獲取大感受野的缺點，在更小計算量的情況下提高準確性。
BalanceHRNet具有三大優勢：具備更大感受野，可以提取更豐富的語義信息，並且具有較高準確性；提出平衡高分辨率模塊BHRM，可以獲取物體多尺度特征；學習不同分支的重要性，讓模型自己決定不同分支的意義。
測試結果表明，BalanceHRNet能夠有效提升人體姿態估計準確性。
研究人員將CrowdPose數據集用作測試數據集，並以HigherHRNet、AlphaPose、OpenPose等模型為比較模型。
數據顯示，BalanceHRNet測得平均正確率為63.0%，比最佳模型HigherHRNet提高3.1%，準確率為目前業界最高水平。
每一幀畫面的感知準確率都提升3.1%，數字看著小，但對自動駕駛安全性的整體提升影響很大。
研究人員還通過COCO(2017)關鍵點檢測數據集展示BalanceHRNet網絡的有效性，BalanceHRNet模型比平均正確率提高1.6%。
目前，BalanceHRNet已被蘑菇車聯用於高精地圖，提高了感知成功率和地圖精度。
作為行業領先的自動駕駛全棧技術與運營服務提供商，蘑菇車聯持續推動數字交通、自動駕駛領域的技術突破。
近半年來，蘑菇車聯CAMO-MOT算法、IPS300+路側多模態目標檢測數據集、multi-to-single知識蒸餾框架、InterFusion融合感知、BalanceHRNet模型等研究成果陸續被國際頂級學術機構收錄，這意味著相關技術達到世界領先水平。