概述
OpenPose 論文描述了多人 2D 姿勢估計,包含由下而上的部位關聯,以及當附近有人被漏掉時由上而下偵測失敗的情況。影像平面上的關鍵點無法確立 3D 深度或醫療狀態。
深入探討
最初的 OpenPose 論文提出了一個由下而上的系統,能共同預測身體部位位置的信心圖以及用於關聯的部位親和場 (PAFs)。其解析器在二分圖匹配中使用 PAF 分數,將候選部位組合成特定人物的姿勢。該論文指出,由上而下的管線可能會漏掉靠得很近的人;下游的姿勢估計無法補救漏掉的偵測。後續的 OpenPose 論文則描述了身體、足部、手部和臉部關鍵點。這些是影像平面輸出,並非臨床量測或 3D 座標。
現實世界的實施
預測身體部位位置的信心圖。
將候選身體部位與部位親和場 (Part Affinity Fields) 及二分圖匹配進行關聯。
比較由下而上的解析方法與依賴人物偵測的由上而下管線。
在 OpenPose 系統中估計身體、足部、手部和臉部關鍵點。
人體姿勢估計的未來
評估目標條件下的關鍵點估計,包括擁擠、遮擋與相機變化。任何超出影像平面姿勢估計的應用,皆需要額外的證據與針對特定任務的驗證。
付諸實踐
為什麼這很重要
- 速度與規模. 視覺人工智慧可以大規模自動化檢查、檢測和標記任務。
- 配裝選擇. 創意團隊可以透過更少的手動修改來更快地建立概念原型。
- 團隊與工作流程. 操作可以使用以前難以處理的影像和視訊訊號。
留意
- 如果出處不明,肖像權和同意可能會成為法律風險。
- 模型表現可能因光照、人口統計和環境的不同而有所不同。
- 除非監控置信閾值,否則誤報可能會被忽略。
後續步驟
- 定義精確度、召回率和錯誤成本的接受標準。
- 使用符合實際生產條件的數據進行測試。
- 為低置信度或高影響力的預測添加人工審核。
- 追蹤模型漂移並在相機或資料集變更後重新驗證。
不斷探索
常見問題
什麼是人體姿勢估計?
人體姿勢估計是在圖像中定位身體關鍵點。OpenPose 論文描述了多人 2D 姿勢估計,包含由下而上的部位關聯,以及當附近有人被漏掉時由上而下偵測失敗的情況。影像平面上的關鍵點無法確立 3D 深度或醫療狀態。
人體姿態估計主要檢測什麼?
姿勢估計定位身體關鍵點,例如手肘、膝蓋和肩膀,然後將它們連結成骨架。
自上而下的姿態估計方法如何運作?
自上而下的方法首先用邊界框檢測每個人,然後估計其中的關節,這是準確的,但對許多人來說速度會變慢。
OpenPose 預測什麼來估計身體部位的位置?
OpenPose 的網路會預測身體部位位置的信心圖,以及用於關聯身體部位的部位親和場。
OpenPose 解析器使用什麼步驟將候選身體部位關聯成完整的姿勢?
該論文描述了一種解析器,它使用 PAF 分數執行二分圖匹配,然後將身體部位候選者組合成完整的姿勢。
OpenPose 論文討論了擁擠場景中由上而下姿勢估計的哪種失敗模式?
論文指出,由上而下的管線可能會漏掉距離相近的人;下游的姿勢估計無法挽回被漏掉偵測的人物。