Мир искусственного интеллекта в Kinect

Компания Майкрософт Research анонсировала свое видео и научную работу, над которой она очень долго работала. Суть работы такова, она будет отражать саму алгоритмическую работу отслеживания компонентов тела в Kinect – это точно так же великолепно и изумительно, как уже многие найденные применения ему.

Такой огромный шаг и прорыв в Kinect – обеспечил определенное количество так называемых составляющих!!! Его начинка, или как многие называют «железо» очень тщательно продумано, которое способно выполнять ряд функций за определенные суммы. Сама сумма зависит от количества возможного выполнения функций и т.д. Но не стоит забывать, что после того, как пройдет весь ажиотаж и восторг от скоростного измеряющего глубины железа, это внимание и ажиотаж неизбежным образом привлекает такой способ, которым Kinect способен отслеживать человеческое тело и многие частицы тела. В этом случае тогда, наряду со всем, самым главным героем предстает , весьма классический случай и методика по распознания организмов и образов, которая реализуется с тончайшим изяществом!!!

Технологические устройства, которые отвечают за положение тела, были выпущены еще раньше, но все же, их самой большой проблемой является то, что человек должна встать в специальную позу, после чего алгоритм начинает сопоставлять человеческое тело при помощи самого простого сопоставления. Далее происходит алгоритм слежения, который производит следование за человеческими движениями тела. Самая главная идея: если мы в первом кадре имеем область, идентифицированную, например как рука, то уже в последующем кадре руку невозможно передвинуть очень далеко, и следовательно на почве этого, мы просто будем пытаться идентифицировать области, которые лежат ближе всего.

Алгоритмы, которые следят за движением вашего тела, очень хорошо применимы в теории, но на практике, они зачастую дают сбои, если положение организма по каким-либо причинам потеряно, и очень плохо алгоритмы справляются с другими телами или объектами, загораживающими отслеживаемого организма, даже на очень малое время. Кроме этого всего, само отслеживание нескольких объектов очень затруднено, и из-за такой утери следа, восстановить его можно только через длительное время, или совсем просто не удается, так как процесс является по сути важным и сложным. Но зачастую логичнее всего бывает вернуться к исходным данным.

И возникает вопрос: Что же тогда работники компании Microsoft Research сделали с данной проблемой? Благодаря чему Kinect стал работать намного лучше и продуктивнее, не подвергаясь некоторым ошибкам???

Для начала, они постарались вернуться к самому началу, и решено было построить систему, которая будет распознавать человеческое тело, но она не будет зависеть от слежения, а лишь будет находить определенные стороны и части тела, все будет происходить благодаря тому, что система будет основываться на локальном анализе каждой пикселизации. Самое обычное распознание тела и образа работает при помощи специфичной структуры, которая принимает решения, и обученной на большом количестве образцов. Для того, чтобы она работала, обычно необходимо представлять классификатор с огромным числом значений признаков, которые в свою очередь, как вы себе все представляете, имеют в себе информацию, которая необходимо непосредственно для распознания тела. В большинстве случаях, задача выбора признаков информативного характера – и является самой огромной и сложной задачей в распознании объектов.

Эти признаки, которые были выбраны, могут вас очень удивить, так как они являются весьма простыми, но далеко не очевидными в плане информативной деятельности для распознания и идентификации частей человеческого организма. После выбора, все признаки выявляются из простой формулы:

f = d( x + u/d(x) ) — d( x + v/d(x) ) ;

где у нас u and v –это парные векторы смещения, а вот d(x) – это уже глубина пикселя. Что мы видим в этом случае? Это значит расстояние от Kinect до конечной точки, которая проецируется на x. На самом деле, это самый простой признак, и по сути это всего лишь разница изменения в глубине двух пикселей, которые имеют свое смещение по отношению начального u and v. Варьируя u and v, выявляется так называемый набор признаков. В самих работах все более точно и понятно расписано, где модно найти полную информацию в развернутом виде.

Далее следует сказать, что единственным усложнением является то, смещение нормировано с глубиной положения исходного(первоначального) пикселя, то есть, имеет деление на d(x). Благодаря этому, происходит смещения независимыми от глубины положения и сопоставляет их с видимыми размерами объекта.

Все довольно ясно, ведь признаки измеряют что-то, что может быть связано с трехмерной формой областного пикселя вокруг тела. Но возникает вопрос: будет ли их достаточно, для возможности отличить, ну к примеру руку от ноги? Но это уже вопрос в другом…

Последующий этап, полученной командой - это принципы обучения разнообразия классификатора, который имеет название «лес решений», то есть скопление деревьев решаемых путей. Далее следует отметить, что именно каждое дерево обучалось на слитии признаков с глубинными изображениями, которых в свою очередь уже заранее привязали к соответствующим объектам, или иначе говоря, которых привязали к специальным частям тела. В общем деревья вели перестроения до того времени, пока они не начали выпускать нужную и правильную классификацию для отдельной части тела на наборе изображений тестового характера. Обучение всего трех деревьев на один миллион изображений. Все происходило на тысяче – ядерном кластере, и весь процесс занимал более одной сутки. На самом деле процесс очень длительный и кропотливый, но зато имеет свои преимущества, благодаря этому процессу, возможно, будет избегать большое количество непредвиденных ошибок.

Уже после всего, обученные классификаторы выдают серию вероятностей по принадлежности пикселей в определенных частях тела, и уже следующая составная часть алгоритмической функции всего лишь выбирает такие области с максимальной вероятностью для части определенного типа. Для примера рассмотрим ногу. Область будет отнесена к категории «нога», и если так называемый «ножной» классификатор определил максимальный порог вероятности именно этой области. То конечная стадия – это расчеты представляемого местоположения суставов человеческого организма по отношению к областям, которые в свою очередь были опознаны как определенные объекты или части тела. На данной диаграмме максимальные вероятности для разных частей человеческого организма обозначены будут цветными областями:

Не возможно не заметить, что это вычислить довольно – таки просто, если есть значение глубины хотя бы для трех пикселей и после чего мы смело применяем систему GPU. Наряду с этим изменением, система способна обрабатывать более двух сот кадров за одну секунду, и самое главное она не требует исходной эталонной позы, благодаря тому, что каждый кадр обрабатывается и анализируется независимо, и нет слежения такового, то и нет проблемных участков при потере изображения объекта. Более того, можно добавить, что возможна обработка нескольких тел одновременно, благодаря чему работа ускоряется.
Kinect - на самом деле стало очень важным достижением. И более того оно основано на весьма классическом и стандартном распознании объектов, но сам успех заключен в грамотном применении. Не стоит забывать, и обязательно взять во внимание, что доступность огромной многоядерной мощности вычисления, благодаря которой удалось сделать обучающее множество невероятно большим. Эта был один из принципов распознавания, что можно истратить многие годы, а то и века на обучение, но сама классификационная работа способна выполнятся довольно быстро. Скорее всего, мы уже вступаем в «золотой век», когда мощь вычислительной системы, нужна очень для работ при распознавании объектов и образов человеческого тела, а так же и машинного обучения, в итоге сделает их практичными.