মানুষের ভঙ্গি অনুমান
মানুষের ভঙ্গি অনুমান চিত্র বা ভিডিও থেকে একজন ব্যক্তির ডিজিটাল কঙ্কাল তৈরি করতে শরীরের জয়েন্টগুলির অবস্থান, যেমন কনুই, হাঁটু এবং কাঁধের অবস্থান সনাক্ত করে।
ওভারভিউ
এটি কাঁচা পিক্সেলকে স্ট্রাকচার্ড ডেটাতে রূপান্তরিত করে যাতে লোকেরা কীভাবে চলে।
গভীর ডুব
ভঙ্গি অনুমান শরীরের মূল পয়েন্টগুলির একটি সেট সনাক্ত করে (সাধারণত 17 থেকে 33 জয়েন্টগুলি) এবং তাদের একটি কঙ্কালের সাথে সংযুক্ত করে। দুটি প্রধান কৌশল বিদ্যমান। টপ-ডাউন পদ্ধতিগুলি প্রথমে একটি বাউন্ডিং বাক্স সহ প্রতিটি ব্যক্তিকে সনাক্ত করে, তারপর এটির ভিতরে জয়েন্টগুলি অনুমান করে; তারা সঠিক কিন্তু ধীর হয় যখন অনেক লোক উপস্থিত থাকে। ওপেনপোজের মতো বটম-আপ পদ্ধতিগুলি একবারে চিত্রের সমস্ত কীপয়েন্ট সনাক্ত করে এবং তারপরে সেগুলিকে ব্যক্তিদের মধ্যে গোষ্ঠীভুক্ত করে, যা ভিড়ের মধ্যে আরও ভাল করে। মডেলগুলি 2D স্থানাঙ্ক আউটপুট করতে পারে বা 3D তে তুলতে পারে। জনপ্রিয় টুলগুলির মধ্যে রয়েছে OpenPose, Google-এর MoveNet এবং MediaPipe, এবং HRNet, যা সুনির্দিষ্ট যৌথ স্থানীয়করণের জন্য উচ্চ-রেজোলিউশন বৈশিষ্ট্যগুলি সংরক্ষণ করে। প্রযুক্তি ফিটনেস অ্যাপ, মোশন ক্যাপচার এবং স্পোর্টস অ্যানালিটিক্সকে ক্ষমতা দেয়।
প্রযুক্তিগত অন্তর্দৃষ্টি
জয়েন্ট কোঅর্ডিনেট সরাসরি রিগ্রেস করার পরিবর্তে, বেশিরভাগ সঠিক মডেল জয়েন্ট প্রতি একটি হিটম্যাপ ভবিষ্যদ্বাণী করে, একটি সম্ভাব্যতা মানচিত্র যার উজ্জ্বলতম পিক্সেল সম্ভাব্য যৌথ অবস্থান চিহ্নিত করে। বটম-আপ সিস্টেম পার্ট অ্যাফিনিটি ফিল্ড যোগ করে, অঙ্গের দিক নির্দেশ করে এনকোডিং ভেক্টর ম্যাপ, তাই সনাক্ত করা কীপয়েন্টগুলিকে ওভারল্যাপ করা লোকেদের সাথেও সঠিক কঙ্কালের সাথে সংযুক্ত করা যেতে পারে। HRNet-এর মতো উচ্চ-রেজোলিউশন ব্যাকবোনগুলি পুরো নেটওয়ার্ক জুড়ে সূক্ষ্ম স্থানিক বিশদ বজায় রাখে, ছোট বা কাছাকাছি ব্যবধানযুক্ত জয়েন্টগুলির জন্য নির্ভুলতা উন্নত করে।
কৌশলগত প্রভাব
গতি এবং স্কেল
ভিজ্যুয়াল এআই স্কেলে পরিদর্শন, সনাক্তকরণ এবং ট্যাগিং কাজগুলি স্বয়ংক্রিয়ভাবে করতে পারে।
পছন্দগুলি তৈরি করুন
সৃজনশীল দলগুলি কম ম্যানুয়াল সংশোধন সহ ধারণাগুলিকে দ্রুত প্রোটোটাইপ করতে পারে।
টিম এবং ওয়ার্কফ্লো
অপারেশনগুলি ইমেজ এবং ভিডিও সংকেত ব্যবহার করতে পারে যা আগে প্রক্রিয়া করা কঠিন ছিল।
মানুষের ভঙ্গি অনুমান ভবিষ্যত
ভঙ্গি অনুমান ভোক্তা ডিভাইসে রিয়েল-টাইম 3D, শক্তিশালী মাল্টি-পারসন ট্র্যাকিং এবং সমৃদ্ধ এক্সপ্রেশন ক্যাপচারের জন্য সম্পূর্ণ বডি-প্লাস-হ্যান্ড-প্লাস-ফেস মডেলের দিকে এগিয়ে যাচ্ছে। মার্কারলেস মোশন ক্যাপচার ফিল্ম এবং বায়োমেকানিক্সে ব্যয়বহুল স্টুডিও স্যুট প্রতিস্থাপন করছে। শুধু ভঙ্গি নয় কিন্তু কার্যকলাপ বোঝার জন্য অ্যাকশন স্বীকৃতির সাথে আরও কঠোর ফিউশন আশা করুন, চলাফেরা এবং পুনর্বাসন বিশ্লেষণের জন্য স্বাস্থ্যসেবায় ক্রমবর্ধমান ব্যবহার এবং ডিভাইসে মডেল যা ক্লাউডে ভিডিও না পাঠিয়ে গোপনীয়তা রক্ষা করে।
বাস্তব-বিশ্ব বাস্তবায়ন
ফিটনেস এবং যোগব্যায়াম অ্যাপ যা একজন ব্যবহারকারীর ফর্ম পরীক্ষা করে এবং ফোন ক্যামেরা থেকে পুনরাবৃত্তি গণনা করে
ফিল্ম এবং ভিডিও গেমগুলিতে অ্যানিমেটিং চরিত্রগুলির জন্য মার্কারলেস মোশন ক্যাপচার
ক্রীড়া বিশ্লেষণ একজন ক্রীড়াবিদ এর জয়েন্ট কোণ, অগ্রগতি এবং কৌশল পরিমাপ করে
শারীরিক থেরাপি এবং গাইট বিশ্লেষণ রোগীর পুনরুদ্ধার এবং আন্দোলনের গুণমান ট্র্যাক করে
ঝুঁকি এবং প্রহরী
প্রমাণ অস্পষ্ট হলে ছবির অধিকার এবং সম্মতি আইনি ঝুঁকিতে পরিণত হতে পারে।
মডেলের কর্মক্ষমতা আলো, জনসংখ্যা এবং পরিবেশ জুড়ে পরিবর্তিত হতে পারে।
আস্থার থ্রেশহোল্ডগুলি পর্যবেক্ষণ করা না হলে মিথ্যা ইতিবাচকগুলি অলক্ষিত হতে পারে।
বাস্তবায়ন রোডম্যাপ
নির্ভুলতা, প্রত্যাহার, এবং ত্রুটি খরচের জন্য গ্রহণযোগ্যতার মানদণ্ড নির্ধারণ করুন।
প্রকৃত উৎপাদন অবস্থার সাথে মেলে এমন ডেটা দিয়ে পরীক্ষা করুন।
কম-আস্থা বা উচ্চ-প্রভাব ভবিষ্যদ্বাণীর জন্য মানুষের পর্যালোচনা যোগ করুন।
মডেল ড্রিফ্ট ট্র্যাক করুন এবং ক্যামেরা বা ডেটাসেট পরিবর্তনের পরে পুনরায় যাচাই করুন।
অন্বেষণ চালিয়ে যান
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Human Pose Estimation quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
পরবর্তী গাইড
মনোকুলার গভীরতা অনুমান
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
মানুষের ভঙ্গি অনুমান কি?
মানুষের ভঙ্গি অনুমান চিত্র বা ভিডিও থেকে একজন ব্যক্তির ডিজিটাল কঙ্কাল তৈরি করতে শরীরের জয়েন্টগুলির অবস্থান, যেমন কনুই, হাঁটু এবং কাঁধের অবস্থান সনাক্ত করে। এটি কাঁচা পিক্সেলকে স্ট্রাকচার্ড ডেটাতে রূপান্তরিত করে যাতে লোকেরা কীভাবে চলে।
মানুষের ভঙ্গি অনুমান প্রাথমিকভাবে কি সনাক্ত করে?
ভঙ্গি অনুমান শরীরের কীপয়েন্ট যেমন কনুই, হাঁটু এবং কাঁধ সনাক্ত করে, তারপরে একটি কঙ্কালের সাথে সংযুক্ত করে।
টপ-ডাউন পোজ অনুমান পদ্ধতি কিভাবে কাজ করে?
টপ-ডাউন পদ্ধতিগুলি প্রথমে একটি বাউন্ডিং বাক্স সহ প্রতিটি ব্যক্তিকে সনাক্ত করে এবং তারপরে এর মধ্যে জয়েন্টগুলি অনুমান করে, যা সঠিক কিন্তু অনেক লোকের সাথে ধীর হয়ে যায়।
কাঁচা স্থানাঙ্কের পরিবর্তে প্রতিটি জয়েন্টের জন্য সবচেয়ে সঠিক পোজ মডেলগুলি কী ভবিষ্যদ্বাণী করে?
মডেলগুলি সাধারণত প্রতি-জয়েন্ট হিটম্যাপ আউটপুট করে যার উজ্জ্বল পিক্সেল সর্বাধিক সম্ভাব্য জয়েন্ট অবস্থান নির্দেশ করে, যা সরাসরি রিগ্রেশনের চেয়ে বেশি স্থিরভাবে প্রশিক্ষণ দেয়।
ওপেনপোজ দ্বারা ব্যবহৃত পার্ট অ্যাফিনিটি ক্ষেত্রগুলি কী সাহায্য করে?
পার্ট অ্যাফিনিটি ফিল্ডগুলি ভেক্টর ম্যাপ হিসাবে অঙ্গ-প্রত্যঙ্গের দিকনির্দেশকে এনকোড করে, লোকেরা ওভারল্যাপ করলেও নীচের দিকের পদ্ধতিগুলি সঠিকভাবে কীপয়েন্টগুলিকে সংযুক্ত করতে দেয়।
ভিড়ের দৃশ্যে ওপেনপোজ স্কেলের মতো বটম-আপ পদ্ধতিগুলি কেন ভাল?
বটম-আপ পদ্ধতিগুলি একটি পাসে চিত্রের প্রতিটি কীপয়েন্ট সনাক্ত করে এবং তারপরে সেগুলিকে গোষ্ঠীভুক্ত করে, তাই প্রতিটি অতিরিক্ত ব্যক্তির সাথে খরচ বাড়ে না।