Human pose estimation mediante modelli convoluzionali e transformer in edge-devices

La human pose estimation si occupa di definire la posa delle persone presenti in immagini o video. Questo task della computer vision può essere utilizzato in molteplici applicazioni, come ad esempio il riconoscimento del movimento, l’assistenza medico sportiva, la guida autonoma. La risoluzione di questo task presenta alcune problematiche come le occlusioni e la varietà di pose e individui da tracciare. Negli ultimi anni si sono diffusi modelli di deep learning, che si sono dimostrati più abili delle tecniche precedentemente usate nella gestione di questi problemi; le reti neurali in questione, infatti, sono state progettate in modo da raggiungere la massima accuratezza possibile. Questi modelli sono computazionalmente pesanti e possono essere utilizzati in applicazioni reali solamente in presenza di un hardware adeguato; tuttavia, in alcuni contesti è preferibile servirsi di edge-devices, per rendere le applicazioni più accessibili e sicure. Gli edge-devices sono dispositivi caratterizzati da risorse limitate, come ad esempio una ridotta area di memoria e una modesta capacità computazionale; per questo necessitano di reti più leggere. Questa tesi compara alcuni modelli di deep learning progettati con lo scopo di adattare il processo di predizione della human pose estimation al contesto degli edge-devices; in particolare verranno trattati alcuni modelli che si possono classificare come convoluzionali o transformer. Per entrambe le categorie sono state esaminate le architetture che sono rappresentative dei principali approcci per ridurre efficacemente la dimensione e la complessità delle reti neurali.