Om met behulp van kunstmatige intelligentie iets zinnigs te zeggen over de poses van mensen in beelden, moeten de algoritmen getraind worden aan de hand van datasets. Hierbij een korte introductie van een aantal veelgebruikte datasets voor 2D en 3D Human Pose Estimation.
Zoals we in de afgelopen twee posts hebben besproken is Human Pose Estimation een grote uitdaging voor computervisie. Het herkennen van de pose van meerdere personen in real-life is namelijk een stuk complexer dan het herkennen van de pose van een enkel persoon in een afbeelding. Ondanks het feit dat state-of-the-art human detectors goede resultaten hebben geleverd, zijn kleine fouten wat betreft lokalisatie en herkenning onvermijdelijk. Deze fouten kunnen resulteren in mislukkingen voor een Single-Person Pose Estimator (SPPE). Deze keer bespreken we daarom een derde deep learning methode voor Human Pose Estimation, namelijk een Regional Multi-Person Pose Estimation (RMPE) methode.
DeepCut is net als het vorige keer besproken OpenPose een deep learning methode voor Human Pose Estimation. Deze methode voert gelede Human Pose Estimation uit voor meerdere mensen in echte beelden. Het is een benadering die gezamenlijk de uitdagingen van detectie en Pose Estimation oplost. DeepCut leidt het aantal personen in een beeld af, identificeert afgesloten lichaamsdelen, en verwijdert dubbelzinnigheden wat betreft lichaamsdelen van mensen die dichtbij elkaar zijn zodat duidelijk wordt welk lichaamsdeel van wie is. Deze gezamenlijke formulering is in contrast met voorgaande methoden, die de taak uitvoeren door eerst mensen te detecteren en daaropvolgend hun pose te schatten.
Realtime Multi-Person 2D Pose Estimation is een belangrijk onderdeel om machines een begrip te laten hebben van mensen in afbeeldingen en video’s. Human Estimation heeft zich primair gefocust op het vinden van lichaamsdelen van individuen. Het afleiden van de pose van meerdere mensen in beelden gaat gepaard met een unieke set uitdagingen. OpenPose is een van de populairste bottom-up benaderingen om deze uitdagingen aan te pakken.
Nu we een beetje weten wat Human Pose Estimation is, waarvoor het gebruikt kan worden, en welke verschillende vormen er zijn, kunnen we eens wat dieper ingaan op hoe het eigenlijk werkt.
