Human Pose Estimation Using a Two-Staged Convolutional Neural Network

Human pose estimation, metoden for å lokalisere menneskelige kroppsdeler, har i de siste årene blitt et populært forskningsfelt grunnet sitt brede applikasjonsdomene. Til tross for denne populariteten er metoden fortsatt vanskelig å utføre grunnet skjulte kroppsdeler, lavoppløselige bilder og dens generelle kompleksitet. Vi utforsker hvordan konvolusjonelle nevrale nettverk og dyplæringsteknikker kan tas i bruk for å øke kvaliteten på detekteringen av kroppsbevegelser, spesielt for medisinsk bruk. Disse dyplæringsteknikkene kan videre brukes til å detektere fidgety movements, komplekse, sirkulære bevegelser, der fraværet av slike bevegelser er en sterk indikator for cerebral parese. En automatisering av denne detekteringsprosedyren kan være av høy verdi ettersom dagens kvalitative metoder er avhengig av svært erfarne observatører. Metodene har derfor sine begrensninger innenfor medisinsk bruk. Visjonen til dette prosjektet er å komme med verdifulle bidrag til InMotion prosjektet, et samarbeidsprosjekt mellom St. Olavs Universitetssykehus og Norges teknisk-naturvitenskapelige universitet. Vi foreslår en to-stegs nettverksarkitektur i et forsøk på å forbedre prediksjoner for ekstremiteter. Første steg av nettverket produserer en approksimasjon av alle kroppspunkter, mens andre steg fokuserer på nøyaktig prediksjon av ekstremiteter. Ved å utnytte en betydelig mengde data, og ved å utføre prediksjoner av høy kvalitet for ekstremiteter viser vi til en økning i den totale presisjonen for prediksjon av ekstremiteter