答辩稿子

手势：解决痛点：现有手部关键点检测模型存在参数量大、精度低、边缘设备兼容性差等问题需在保持精度的前提下压缩模型，适配农村低算力设备（如ARM架构硬件）优化方向：模型轻量化（减少21.3%参数量）精度损失控制（仅降低2.41% AP）增强特征表达能力（新增SE与C3Fast模块）关键创新模块：模块功能改进效果低秩逼近冻结主干网络参数，仅微调低秩矩阵减少训练成本，避免过拟合SE模块通道注意力机制，动态加权重要特征通道提升指尖等关键部位的特征响应强化食指尖（ID=8）和拇指尖（ID=4）的检测精度（损失函数加权），支撑单手框选核心交互C3Fast模块轻量化卷积结构设计，通过通道重组+特征复用降低计算成本。在HigherHRNet的Backbone中替代标准卷积块，加速特征提取+减少参数量，同时保持关键点检测精度。