Cuestionario vinculado a una guía · Medio Nivel

Prueba de estimación de la postura humana

Revise los puntos clave de pose 2D, los canales de arriba hacia abajo y de abajo hacia arriba, los campos de afinidad de piezas y lo que las estimaciones del plano de imagen no pueden establecer.

Rutas de guía relacionadasEstimación de la postura humana
Pregunta 1 de 8

¿Qué detecta principalmente la estimación de la pose humana?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Qué detecta principalmente la estimación de la pose humana?
    • Las posiciones de las articulaciones del cuerpo o puntos clave.
    • Los colores de la ropa
    • El nombre de la persona
    • El tamaño del archivo de imagen
  2. ¿Cómo funcionan los métodos de estimación de postura de arriba hacia abajo?
    • Detectan todas las articulaciones a la vez y luego las agrupan
    • Primero detectan a cada persona y luego encuentran las articulaciones dentro de la caja.
    • Nunca usan cuadros delimitadores.
    • Sólo funcionan en una única junta estática.
  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