기존의 인체 주요 지점 검출 모델은 고해상도 특징에 대한 관심이 부족하며, 학습에 사용되는 데이터셋의 해상도가 낮고 주석 오류가 커서 보행 분석 등의 작업에서 검출 결과가 불안정하고 위치 정확도가 낮습니다. 이러한 문제를 해결하기 위해 다중 해상도 특징 융합 기반의 인체 하지 주요 지점 검출 모델을 제안합니다. 고해상도 이미지를 네트워크 입력으로 사용하고, 미세 조정된 MobiliNet v1 네트워크와 주의 메커니즘을 결합하여 전역 저해상도 특징을 추출하고 초기 주요 지점 위치를 예측합니다. 병렬로 얕은 네트워크를 통해 국소 고해상도 특징을 추출한 후, 연속 잔차 구조와 주의 메커니즘을 이용해 서로 다른 해상도의 특징을 융합하여 주요 지점 예측 정확도를 향상시키고, 고해상도 이미지로 인한 높은 계산량 문제를 효과적으로 완화합니다. 모델 학습의 정확성을 보장하기 위해 사전 라벨링 방식으로 고해상도·고정밀 인체 하지 주요 지점 데이터셋을 제작하였습니다. 모델 복잡도, 검출 속도, 검출 정밀도 및 검출 오차를 평가 지표로 하여 다른 기존 및 최신 방법들과 실험적으로 비교하였습니다. 결과는 제안 모델의 테스트 검출률이 95.2%에 달하며, Lightweight-OpenPose, HRNet-W32, HRNet-W48, YOLO-Pose, RTMPose, SimCC 모델보다 모두 우수하며, 검출 정밀도는 4.1%~83.6%, FPS는 7.6~13.9 향상되었음을 보여줍니다. 이는 제안 모델이 고정밀 인체 하지 주요 지점 검출에 효과적임을 증명합니다.

인체 하지 주요 지점 검출; 다중 해상도 특징 융합; 주의 메커니즘; 사전 라벨링