Comparative study on pose estimators such as MoveNet Lighting, MoveNet Thunder, and OpenPose (MobileNet) model for Human Pose Estimation over Real-Time Feed
Notice bibliographique
Résumé
Human pose estimation is a crucial task in various domains, including fitness and motion analysis, and sports performance evaluation. Existing technologies have limitations in terms of accuracy and real-time performance, which highlights the need for advanced solutions. The aim of this paper is to display the comparison between models for human pose estimation over real-time feed, with high accuracy and real-time performance. The problem statement involves developing a model and testing it to check if it can handle multiple subjects, different poses, and various lighting conditions. The proposed methodology involves using state- of-the-art models, such as MoveNet Lightning and MoveNet Thunder, along with the comparison to pre-existing models such as OpenPose model, which are slow and inaccurate. The key findings of this work include real-time performance comparison, high accuracy, and applicability in various domains. Nevertheless, it is imperative to acknowledge and confront specific constraints, such the issue of pose ambiguity and the challenge of effectively controlling occlusion. The suggested study presents a potentially effective approach for real-time human pose assessment, which has the capacity to yield advantages for humans. Keywords: Human pose estimation, real-time feed, MoveNet Lightning, MoveNet Thunder, OpenPose.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».