Emberi pózbecslés
Az emberi pózbecslés észleli a test ízületeinek helyzetét, például a könyököket, a térdeket és a vállakat, hogy digitális csontvázat készítsen egy személyről képekből vagy videókból.
Áttekintés
It turns raw pixels into structured data about how people move.
Mély merülés
A pózbecslés meghatározza a test kulcspontjainak halmazát (általában 17-33 ízületet), és összekapcsolja őket egy csontvázzal. Két fő stratégia létezik. A felülről lefelé irányuló módszerek először minden személyt észlelnek egy határolókerettel, majd megbecsülik a benne lévő illesztéseket; pontosak, de lassúak, ha sok ember van jelen. Az alulról felfelé irányuló módszerek, mint például az OpenPose, egyszerre észlelik a kép összes kulcspontját, majd egyénekbe csoportosítják őket, ami tömegben jobban skálázódik. A modellek képesek 2D koordinátákat kiadni, vagy 3D-be emelni. A népszerű eszközök közé tartozik az OpenPose, a Google's MoveNet és MediaPipe, valamint a HRNet, amely megőrzi a nagy felbontású funkciókat a pontos ízületi lokalizáció érdekében. A technológia a fitneszalkalmazásokat, a mozgásrögzítést és a sportelemzést támogatja.
Technikai betekintés
Az ízületi koordináták közvetlen visszafejlődése helyett a legpontosabb modellek hőtérképet jósolnak kötésenként, egy valószínűségi térképet, amelynek legfényesebb pixele jelzi a csatlakozás valószínű helyét. Az alulról felfelé induló rendszerek Part Affinity Field-ekkel, a végtagok irányát kódoló vektoros térképekkel egészítik ki, így az észlelt kulcspontok megfelelő csontvázakba kapcsolhatók még átfedő emberek esetén is. A nagy felbontású gerinchálózatok, mint például a HRNet, megőrzik a finom térbeli részleteket az egész hálózaton, javítva a pontosságot a kis vagy szorosan elhelyezkedő kötéseknél.
Stratégiai hatás
Sebesség és méretarány
A vizuális AI képes automatizálni az ellenőrzési, észlelési és címkézési feladatokat nagy léptékben.
Építési lehetőségek
A kreatív csapatok gyorsabban prototípusokat készíthetnek a koncepciókból, kevesebb kézi átdolgozással.
Csapat és munkafolyamat
A műveletek olyan kép- és videojeleket használhatnak, amelyeket korábban nehéz volt feldolgozni.
Az emberi testtartás jövője
A pózbecslés a valós idejű 3D-s fogyasztói eszközökön, a robusztus többszemélyes nyomkövetés és a teljes test plusz kéz és arc modellek felé halad a gazdagabb kifejezésmód érdekében. A jelölő nélküli mozgásrögzítés a drága stúdióruhákat váltja fel a film- és biomechanikában. A cselekvésfelismeréssel szorosabb fúzióra számíthat, hogy ne csak a testtartást, hanem a tevékenységet is megértse, az egészségügyben egyre szélesebb körben alkalmazzák a járás- és rehabilitációs elemzéseket, valamint az eszközön található modelleket, amelyek védik a magánéletet azáltal, hogy soha nem küldenek videót a felhőbe.
Valós megvalósítás
Fitnesz- és jógaalkalmazások, amelyek ellenőrzik a felhasználó formáját, és számolják az ismétlődéseket a telefon kamerájáról
Marker nélküli mozgásrögzítés karakterek animálásához filmekben és videojátékokban
Sportelemzés a sportoló ízületi szögeinek, lépéseinek és technikájának mérésére
Fizikoterápia és járáselemzés, amely nyomon követi a páciens felépülését és mozgásminőségét
Kockázatok és védőkorlátok
A képhez fűződő jogok és a beleegyezés jogi kockázatot jelenthet, ha a származás nem egyértelmű.
A modell teljesítménye a világítástól, a demográfiai adatoktól és a környezettől függően változhat.
A hamis pozitívumok észrevétlenek maradhatnak, hacsak nem figyelik a megbízhatósági küszöböket.
Végrehajtási ütemterv
Határozza meg a pontosság, a visszahívás és a hibaköltségek elfogadási kritériumait.
Tesztelje a valós gyártási feltételeknek megfelelő adatokkal.
Adjon hozzá emberi felülvizsgálatot az alacsony megbízhatóságú vagy nagy hatású előrejelzésekhez.
A modell elsodródásának nyomon követése és újbóli érvényesítése a kamera vagy az adatkészlet módosítása után.
Folytassa a felfedezést
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
Következő útmutató
Monokuláris mélységbecslés
Gyakran ismételt kérdések
What is Human Pose Estimation?
Az emberi pózbecslés észleli a test ízületeinek helyzetét, például a könyököket, a térdeket és a vállakat, hogy digitális csontvázat készítsen egy személyről képekből vagy videókból. A nyers képpontokat strukturált adatokká alakítja az emberek mozgásáról.
Mit észlel elsősorban az emberi pózbecslés?
A pózbecslés megkeresi a test kulcspontjait, például a könyököket, a térdeket és a vállakat, majd összekapcsolja őket egy csontvázzal.
Hogyan működnek a felülről lefelé irányuló pózbecslési módszerek?
A felülről lefelé irányuló módszerek először minden személyt észlelnek egy határolókerettel, majd megbecsülik a benne lévő illesztéseket, ami pontos, de sok embernél lelassul.
Mit jósolnak a legpontosabb pózmodellek az egyes ízületekre a nyers koordináták helyett?
A modellek jellemzően egy ízületenkénti hőtérképet adnak ki, amelynek legfényesebb pixele a legvalószínűbb ízületi pozíciót jelzi, ami stabilabb, mint a közvetlen regresszió.
Miben segítenek az OpenPose által használt Part Affinity Fields?
A részaffinitásmezők vektoros térképként kódolják a végtag irányát, lehetővé téve, hogy az alulról felfelé építkező módszerek megfelelően összekapcsolják a kulcspontokat még akkor is, ha az emberek átfedik egymást.
Miért skálázódnak jobban az alulról felfelé irányuló módszerek, mint például az OpenPose a zsúfolt jelenetekben?
Az alulról felfelé irányuló módszerek egy lépésben észlelik a kép minden kulcspontját, majd csoportosítják őket, így a költségek nem nőnek minden további személynél.