基于CSPNeXt? 架构的跨物种实时动物姿态估计模型AnimalRTPose研究

针对跨物种动物形态多样性和环境复杂性导致的实时姿态估计难题，研究人员开发了基于CSPNeXt? 骨干网络的一阶段模型AnimalRTPose。该模型通过深度可分离卷积、通道注意力机制(CAM)和多尺度特征融合技术，在NVIDIA RTX 3090上实现769 FPS的实时性能，AP达72.0，为动物行为监测提供了高效解决方案。

　　

随着计算机视觉技术的快速发展，动物行为分析已成为计算神经行为学(computational neurobehavioral science)研究的重要工具。然而，动物形态的极端多样性——从0.3米啮齿动物到5米长颈鹿的尺度差异，以及野外环境中的动态遮挡、光照变化等因素，使得实时动物姿态估计面临巨大挑战。现有方法在速度与精度之间难以平衡：两阶段方法虽精度较高但计算效率低下，一阶段方法虽速度快却难以应对复杂场景。这种技术瓶颈严重制约了农场管理、野生动物保护等需要实时反馈的应用场景。

针对这一难题，吉林省教育厅项目支持的研究团队开发了AnimalRTPose模型。该研究通过创新性地设计CSPNeXt^?
骨干网络，整合深度可分离卷积(depthwise separable convolution)、跳跃连接(skip connections)和通道注意力机制(CAM)，实现了多尺度特征的高效提取。模型采用端到端架构，无需热图(heatmap)生成，直接将动物实例关键点与锚点(anchor)关联，同步回归类别、位置和关键点信息。实验采用AnimalPose等数据集验证，涵盖单动物、多动物和少样本(few-shot)等多种场景。

核心技术创新
研究团队提出三大关键技术：1)CSPNeXt^?
骨干网络，通过深度可分离卷积降低计算量，结合CAM增强特征融合；2)空间金字塔池化(SPP)模块捕获多尺度上下文信息；3)动态特征融合机制平衡局部细节与全局结构。这些设计使模型在保持轻量化的同时，适应不同物种的肢体比例变异。

性能验证结果
在NVIDIA RTX 2080Ti上达到476 FPS，边缘设备如Jetson AGX Orin(275 TOPS)实现5.1ms延迟。跨物种测试表明，模型对啮齿类到大型哺乳动物均保持稳定AP值。少样本实验中，仅需少量标注数据即可迁移到新物种，验证了特征表示的泛化能力。

讨论与展望
AnimalRTPose首次系统评估了人类姿态估计模型在动物领域的迁移效果，其开源策略促进了领域发展。未来工作可拓展至3D姿态估计和多模态行为分析，为计算神经行为学研究提供更丰富工具。该成果发表于《Neural Networks》，为实时动物监测建立了新的技术标准。