Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ εκτίμησης ανθρώπινης πόζας

Ελέγξτε τα σημεία-κλειδιά δισδιάστατης πόζας, τους αγωγούς από πάνω προς τα κάτω και από κάτω προς τα πάνω, τα πεδία συγγένειας μερών και τι δεν μπορούν να καθορίσουν οι εκτιμήσεις επιπέδου εικόνας.

Σχετικές διαδρομές οδηγώνΕκτίμηση ανθρώπινης στάσης
Ερώτηση 1 του 8

Τι ανιχνεύει κυρίως η εκτίμηση της ανθρώπινης πόζας;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι ανιχνεύει κυρίως η εκτίμηση της ανθρώπινης πόζας;
    • Οι θέσεις των αρθρώσεων του σώματος ή των σημείων κλειδιών
    • Τα χρώματα των ρούχων
    • Το όνομα του ατόμου
    • Το μέγεθος αρχείου εικόνας
  2. Πώς λειτουργούν οι μέθοδοι εκτίμησης πόζας από πάνω προς τα κάτω;
    • Ανιχνεύουν όλες τις αρθρώσεις ταυτόχρονα και μετά τις ομαδοποιούν
    • Εντοπίζουν πρώτα κάθε άτομο και μετά βρίσκουν αρθρώσεις μέσα στο κουτί
    • Ποτέ δεν χρησιμοποιούν οριοθετημένα κουτιά
    • Λειτουργούν μόνο σε μία μόνο στατική άρθρωση
  3. What does OpenPose predict to estimate body-part locations?
    • A direct 3D skeleton with depth
    • A single bounding box per frame
    • Confidence maps for candidate body-part locations
    • A sequence of spoken joint names
  4. What step does the OpenPose parser use to associate candidate body parts into full poses?
    • A face-recognition classifier
    • A top-down detector for every limb
    • A language-model prompt
    • A set of bipartite matchings scored with Part Affinity Fields
  5. What failure mode of top-down pose estimation does the OpenPose paper discuss in crowded scenes?
    • A person detector may miss people close together, and the pose stage cannot recover them
    • It always detects more people than are present
    • It cannot estimate any 2D keypoints
    • It requires a 3D depth camera
  6. Which additional keypoint groups did the OpenPose paper include in its system?
    • Only facial landmarks
    • Body, foot, hand and facial keypoints
    • A 3D skeleton with medical diagnoses
    • Only fingertip positions
  7. What information do Part Affinity Fields encode to connect keypoints?
    • A person’s identity from face recognition
    • Depth in meters for every body joint
    • Vectors indicating limb position and orientation across the image
    • The camera exposure settings
  8. What can a 2D pose model conclude directly from image keypoints?
    • A person’s medical diagnosis
    • Exact real-world joint depth without additional information
    • The person’s intentions
    • Approximate joint locations in image coordinates