Deep learning methode voor Human Pose Estimation: DeepCut

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.

Model architecturen voor Human Pose Estimation

Er bestaat een overvloed aan model architecturen voor het tackelen van Human Pose Estimation. Het zijn er teveel om nu allemaal te bespreken, maar hierbij een kennismakingsoverzicht van een aantal robuuste, betrouwbare architecturen die een goed begin vormen.

Hoe werkt Human Pose Estimation?

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.

Vormen van Human Pose Estimation

Er bestaat niet een enkele vorm van Human Pose Estimation. Afhankelijk van de situatie kan er een samenstelling van vormen gemaakt worden die het meest geschikt is om het gewenste doel te bereiken. In deze post bespreken we daarom een aantal factoren die een rol spelen bij het creëren van een Human Pose Estimation oplossing.

Wat is Human Pose Estimation?

Human Pose Estimation is een computervisie taak die de houding afleidt van een persoon in een afbeelding of video. Human Pose Estimation verschilt op een aantal manieren van andere gebruikelijke computervisie taken en heeft uiteenlopende toepassingen.