YOLO-Pose: تحسين YOLO لتقدير وضعية متعددة الأشخاص باستخدام خسارة تشابه نقاط المفتاح للأشياء

نقدم YOLO-pose، وهو نهج جديد وخالي من خرائط الحرارة للكشف عن المفاصل وتقدير وضعية الأشخاص المتعددين في صورة ثنائية الأبعاد، مستندًا إلى الإطار الشائع للكشف عن الكائنات YOLO. النماذج القائمة على خرائط الحرارة ذات المرحلتين غير مثلى لأنها لا يمكن تدريبها من البداية إلى النهاية وتعتمد التدريب على خسارة L1 البديلة التي ليست مكافئة لتعظيم مقياس التقييم، أي تشابه النقاط الرئيسية للأشياء (Object Keypoint Similarity - OKS). إطارنا يسمح لنا بتدريب النموذج من البداية إلى النهاية وتحسين مقياس OKS نفسه. يتعلم النموذج المقترح الكشف المشترك عن الصناديق الحدودية لأكثر من شخص وأوضاعهم الثنائية في مرور واحد فقط، مما يجعله يجمع بين أفضل ما في النهجين الرأسي والأسفل-إلى-الأعلى. على عكس النهج الرأسي، يتم التخلص من العديد من عمليات المرور الأمامية لأن جميع الأشخاص يتم تحديدهم مع وضعياتهم في استدلال واحد فقط. حقق YOLO-pose نتائج جديدة رائدة على مجموعة التحقق من صحة COCO (90.2% AP50) ومجموعة الاختبار-التطوير (90.3% AP50)، متخطيًا جميع النماذج الأسفل-إلى-الأعلى القائمة في مرور أمامي واحد دون اختبار الانعكاس أو الاختبار متعدد المقياس أو أي نوع آخر من زيادة الاختبار. تم إجراء جميع التجارب والتقارير الواردة في هذا البحث دون أي زيادة وقت الاختبار، على عكس النهج التقليدية التي تستخدم اختبار الانعكاس واختبار متعدد المقياس لتعزيز الأداء. سيتم جعل أكواد التدريب الخاصة بنا متاحة للجمهور عبر الروابط https://github.com/TexasInstruments/edgeai-yolov5 و https://github.com/TexasInstruments/edgeai-yolox.