人体运动检测与姿态估计是深度学习与计算机视觉中最具挑战问题之一,在智能监控、人机交互、动作识别等领域有着广泛的应用。本文提出了基于内容描述特征的注意力机制、基于注意力机制的人体运动检测算法、基于注意力机制的人体姿态估计算法。本文的工作内容如下:首先,由于卷积神经网络中的浅层内容描述特征与深层高级语义特征相互补充,但现有方法未能充分利用浅层内容描述特征,所以本文提出了基于内容描述特征的注意力机制。提出的注意力机制对输入的内容描述特征显式建模,通过提取多尺度内容描述特征,并进行自适应地选择与融合来自不同分支的多尺度内容描述特征。最后,融合后的多尺度内容描述特征通过门控机制,对骨干网络输出的高级语义特征进行重新校准,选择性地强调高级语义特征的有效信息,并抑制无用信息。提出的基于内容描述特征的注意力机制在Image Net分类数据集中实现了5.47%的Top-5错误率,在MS-COCO数据集的目标检测任务中实现了41.8%的平均精度。其次,针对人体运动检测算法的骨干网络通常使用上采样或反卷积生成的高分辨率特征表示,造成预测热力图在空间中不够准确,本文提出了加权特征融合高分辨率网络。加权特征融合高分辨率网络为不同尺度的特征表示赋予了额外的可学习权重,使得网络可以学习不同分辨率特征表示的重要性,并利用提出的内容描述注意力机制,对网络输出的高级语义特征进行校准。针对非极大值抑制仅使用交并比作为预测框相似性度量,易删除正确预测框造成漏检,本文提出了基于曼哈顿距离的非极大值机制,使用曼哈顿距离作为判断两个预测框之间是否相似的度量标准。基于以上改进,提出的算法在MS-COCO数据集中实现了60.8%的人体运动检测平均精度。最后,针对现有人体姿态估计算法的参数量与运算量较大,难以实时运行的问题,本文提出了互补型特征金字塔网络。该网络首先使用了提出的特征融合瓶颈模块,利用分层连接,将不同感受野的特征融合在一个单一的瓶颈模块中,扩展了每个瓶颈模块的感受野的范围。为了减少网络优化过程中的冗余梯度信息,构建轻量级网络,在互补型特征金字塔网络中引入了跨阶段局部连接。提出互补特征融合注意力机制,实现了自适应地选择不同层次的互补信息进行融合,使有效特征在网络的输出中最大化。基于以上改进,提出的算法在MS-COCO数据集的人体姿态估计任务中实现了72.7%的平均精度。