HRNet: Una rete Neurale per Human Pose Estimation

HRNet: Rete Neurale per Human Pose Estimation

🤖 HRNet: High-Resolution Network per Human Pose Estimation

HRNet (High-Resolution Network) è una rete neurale per la keypoint detection progettata per compiti di Human Pose Estimation, in cui è fondamentale mantenere le caratteristiche ad alta risoluzione lungo tutta la rete.

📌 Caratteristiche Principali

  • ✅ Mantenimento dell'alta risoluzione durante tutta la rete.
  • ✅ Scambio di informazioni tra scale diverse per migliorare la precisione.
  • ✅ Heat Map per rappresentare la probabilità di posizione delle articolazioni.

🕵️‍♂️ Human Pose Estimation

HRNet viene utilizzata per il riconoscimento delle pose umane analizzando le immagini e localizzando i keypoint delle articolazioni. 

Le label sono i keypoint del corpo umano e possiamo rappresentarle attraverso le coordinate dirette oppure come nella prima versione v1 di questa rete attraverso le heat map.

🔥 Heat Map

La rete genera mappe di calore (Heat Map) per ogni punto chiave del corpo, indicando la probabilità della sua posizione all'interno dell'immagine.

📉 Metrica MSE (Mean Squared Error)

La MSE è la funzione di perdita utilizzata per confrontare le predizioni della rete con le posizioni reali dei keypoint.

MSE = 1/N * SUM ( Yi - Pi )^2

📊 Metrica OKS (Object Keypoint Similarity)

OKS misura la somiglianza tra keypoint predetti e ground truth, considerando la scala dell'oggetto e il livello di errore accettabile.



🎯 Conclusione

HRNet è una rete potente per la Human Pose Estimation, grazie all'uso di Heat Map, MSE e OKS.



KEYPOINT DETECTION di Jo & Luke

Commenti

Posta un commento

Post popolari in questo blog

SSD (Single Shot MultiBox Detector)

Immagine
SSD (Single Shot MultiBox Detector) - Object Detection SSD (Single Shot MultiBox Detector) – Object Detection in un unico passo SSD (Single Shot MultiBox Detector) è un modello di object detection single-stage , che rileva oggetti e bounding box in un unico passaggio , senza bisogno di un processo separato di region proposal (come Faster R-CNN). 🚀 Come funziona SSD? SSD utilizza una rete convoluzionale (CNN) che genera contemporaneamente: Bounding box degli oggetti nell'immagine. Classi degli oggetti contenuti in ogni bounding box. A differenza di YOLO , SSD genera più bounding box di varie dimensioni e proporzioni, chiamate default boxes o prior boxes . Per ogni bounding box tra le k disponibili in una data posizione, SSD calcola: c punteggi di classe (uno per ciascuna delle classi dell'oggetto). 4 valori di offset (che rappresentano la variazione rispetto alla forma predefinita della box)...
Continua a leggere

Instance Segmentation: Cos'è e Come Funziona

Instance Segmentation: Cos'è e Come Funziona 🎯 Instance Segmentation: Cos'è e Come Funziona 🔍 Introduzione La Instance Segmentation è una tecnica avanzata di Computer Vision che combina Object Detection e Semantic Segmentation. Il suo obiettivo è non solo classificare ogni pixel di un'immagine, ma anche distinguere le diverse istanze di oggetti appartenenti alla stessa classe. 📊 Differenze tra Semantic, Instance e Panoptic Segmentation Tipo Descrizione Semantic Segmentation Assegna la stessa etichetta a tutti i pixel appartenenti a una classe. Instance Segmentation Distingue tra oggetti individuali della stessa classe. Panoptic Segmentation Combina Semantic e Instance Segmentation, distinguendo oggetti e sfondo. A di...
Continua a leggere

U-Net: Architettura per la Segmentazione di Immagini

Immagine
U-Net: Architettura per la Segmentazione di Immagini 📌 U-Net: Architettura per la Segmentazione di Immagini 🔍 Introduzione U-Net è una delle reti neurali più popolari per la segmentazione delle immagini , progettata inizialmente per applicazioni in biomedical imaging. La sua struttura è caratterizzata da un'architettura encoder-decoder con una forma a "U" , da cui deriva il nome. 🏗️ Architettura di U-Net La rete U-Net è composta da tre parti principali: ✅ Encoder : comprime l'immagine ed estrae le caratteristiche principali. ✅ Decoder : ripristina la dimensione spaziale per generare una segmentazione accurata. ✅ Skip Connections : collegano i livelli dell’encoder con il decoder per mantenere i dettagli spaziali. ⚙️ Funzionamento dell'Encoder L'encoder funziona come una CNN classica, composta da blocchi convoluzionali con: ...
Continua a leggere