기존의 인체 주요 관절점 검출 모델은 고해상도 특징에 대한 관심이 부족하며, 학습에 사용되는 데이터셋의 해상도가 낮고 주석 오류가 커서 보행 분석 등의 작업에서 검출 결과가 불안정하고 위치 정확도가 낮다. 이러한 문제를 해결하기 위해 고해상도 이미지를 네트워크 입력으로 사용하고, 미세 조정된 MobileNet v1 네트워크와 주의 메커니즘을 활용하여 전역 저해상도 특징을 추출하여 주요 관절점 위치를 초기에 예측하며, 병렬로 얕은 층 네트워크를 통해 지역 고해상도 특징을 추출하는 다중 해상도 특징 융합 기반 인체 하지 주요 관절점 검출 모델을 제안한다. 이어서 연속 잔차 구조와 주의 메커니즘을 사용하여 서로 다른 해상도 특징을 융합함으로써 예측의 정확성을 높이고, 고해상도 이미지로 인한 높은 연산 비용 문제를 효과적으로 완화한다. 모델 학습의 정확성을 보장하기 위해 사전 레이블링 방식으로 고해상도 및 고정밀 인체 하지 주요 관절점 데이터셋을 제작하였다. 모델 복잡도, 검출 속도, 검출 정밀도 및 검출 오차를 평가 지표로 하여 기존의 대표적이고 최신 방법들과 실험적으로 비교하였다. 결과는 제안된 모델이 테스트 검출률 95.2%를 달성하여 Lightweight-OpenPose, HRNet-W32, HRNet-W48, YOLO-Pose, RTMPose 및 SimCC 모델을 모두 능가하였으며, 검출 정밀도가 4.1%~83.6% 향상되고 FPS가 7.6~13.9 증가함을 보여주었다. 이는 제안된 모델이 고정밀 인체 하지 주요 관절점 검출에 효과적임을 입증한다.

인체 하지 주요 관절점 검출; 다중 해상도 특징 융합; 주의 메커니즘; 사전 레이블링