Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields

خلاصه

مقاله‌ی OpenPose یک روش بلادرنگ برای تخمین وضعیت چند فرد با استفاده از میدان‌های وابستگی اعضا معرفی می‌کند که ارتباط مفاصل را به‌خوبی مدل می‌کند.

نمای سریع

تخمین وضعیت چند نفره در زمان واقعی با PAF.

یافته‌های کلیدی

این روش توانست در زمان واقعی (بیش از ۱۰ فریم بر ثانیه) به دقت بالایی در تخمین وضعیت چند نفره دست یابد و در رقابت‌های MPII و COCO عملکرد برتری نشان دهد.

هدف

دستیابی به تخمین وضعیت دقیق و سریع برای چندین نفر به‌طور همزمان، حتی در صحنه‌های شلوغ.

روش

روش OpenPose از یک شبکه‌ی عصبی کانولوشنی برای تولید نقشه‌های گرما (نقاط کلیدی) و میدان‌های وابستگی اعضا (PAF) استفاده می‌کند که جهت و ارتباط بین مفاصل را کد می‌کنند و سپس با یک الگوریتم تطبیق دوطرفه، استخوان‌بندی افراد را بازسازی می‌کند.

نتایج

دقت بالا در مجموعه‌های داده‌ی MPII و COCO با سرعت مناسب برای کاربردهای تعاملی.

نتیجه‌گیری

OpenPose یک ابزار عملی و منبع‌باز است که به‌طور گسترده در صنعت و تحقیقات استفاده می‌شود.

مفاهیم کلیدی

تخمین وضعیت، OpenPose، میدان وابستگی، یادگیری عمیق

مطالعه‌ی بیشتر

https://arxiv.org/abs/1611.08050

تحلیل

این مقاله به دلیل کارایی و در دسترس بودن کد منبع، تأثیر زیادی بر جامعه‌ی بینایی کامپیوتر گذاشته و به یکی از پرکاربردترین روش‌های تخمین وضعیت تبدیل شده است.

محدودیت‌ها

عملکرد روش در صحنه‌های با ازدحام شدید و پوشش کامل اعضا کاهش می‌یابد و برای تخمین سه‌بعدی نیاز به کالیبراسیون دوربین‌های مختلف دارد.

کارهای آینده

نویسندگان پیشنهاد کردند که می‌توان روش را برای تخمین وضعیت سه‌بعدی و استفاده از آن در کاربردهای پزشکی و ورزشی گسترش داد.

کاربرد عملی

OpenPose در سیستم‌های تعامل انسان-کامپیوتر، واقعیت افزوده، و تحلیل حرکات ورزشی به‌کار می‌رود. در پروژه‌ی ربات با دوربین، از آن می‌توان برای تخمین وضعیت دست و انگشت ربات یا ردیابی حرکت دست کاربر (اگر دوربین به کاربر نگاه کند) استفاده کرد تا ربات بتواند دستورات حرکتی را بهتر درک کرده و با صفحه‌نمایش تطبیق دهد.