Los modelos actuales de detección de puntos clave del cuerpo humano carecen de atención a características de alta resolución. Los conjuntos de datos utilizados durante el entrenamiento tienen baja resolución y grandes errores de anotación, lo que conduce a resultados inestables y baja precisión en la localización en tareas como el análisis de la marcha. Para abordar estos problemas, se propone un modelo de detección de puntos clave de las extremidades inferiores basado en la fusión de características multiresolución. Este modelo utiliza imágenes de alta resolución como entrada de la red, empleando una red MobileNet v1 ajustada junto con un mecanismo de atención para extraer características globales de baja resolución, prediciendo inicialmente la ubicación de los puntos clave. Paralelamente, una red superficial extrae características locales de alta resolución. Luego, se utilizan una estructura residual continua y un mecanismo de atención para fusionar características de diferentes resoluciones, mejorando la precisión de la predicción y mitigando los problemas computacionales asociados con imágenes de alta resolución. Se creó un conjunto de datos de puntos clave de extremidades inferiores de alta resolución y alta precisión mediante un método de pre-etiquetado para asegurar la exactitud del entrenamiento del modelo. Se evaluó con base en la complejidad del modelo, velocidad de detección, precisión y error de detección, comparándolo con métodos clásicos y avanzados. Los resultados muestran que el modelo propuesto alcanza una tasa de detección del 95.2%, superando a Lightweight-OpenPose, HRNet-W32, HRNet-W48, YOLO-Pose, RTMPose y SimCC, con una mejora en la precisión de detección del 4.1% al 83.6% y un aumento del FPS de 7.6 a 13.9. Esto demuestra la efectividad del modelo propuesto en la detección precisa de puntos clave de las extremidades inferiores humanas.

detección de puntos clave de las extremidades inferiores; fusión de características multiresolución; mecanismo de atención; pre-etiquetado