Algoritmy pro detekci klíčových bodů a jejich vyhodnocení

Abstract

Detekce klíčových bodů člověka je komplexní úloha, která nalézá využití od animací pro zábavu po interakci člověka a robota. Cílem této práce je porovnat AlphaPose, Detectron2, MMPose a OpenPose algoritmy pro detekci klíčových bodů lidí z hlediska náročnosti provozu a výkonnosti a zároveň vytvořit základy pro možnost rozšíření práce k syntéze v podobě tzv. mixture of experts modelu. Naučené algoritmy založené na neuronových sítích využívají nezanedbatelné množství výpočetního výkonu, aby dosáhli nejlepších možných výsledků. Jejich porovnáním cílíme na nalezení celkově nejlepšího algoritmu s minimálními kompromisy. Ze získaných dat jsme byli schopni určit AlphaPose jako nejvhodnější algoritmus. S touto znalostí předpokládáme přechod ze současně využívaného OpenPose na AlphaPose v naší laboratoři.

Human keypoint detection is a complex task vastly used, ranging from animations in entertainment to human-robot interaction. The goal of this thesis is to compare AlphaPose, Detectron2, MMPose and OpenPose human keypoint detection algorithms in complexity of operation and performance metrics while establishing a baseline for the possibility of extending the work to synthesis in the form of the so-called mixture of experts model. Trained algorithms based on neural networks use non-negligible amounts of computing power in order to achieve the best possible performance. A comparison of those algorithms aims to find the best overall one with as few compromises in performance as possible. We determined that AlphaPose is the best algorithm based on compared data. With this knowledge, we assume the transition from the currently used OpenPose to AlphaPose in our laboratory.