{"id":22615,"date":"2024-05-21T15:33:12","date_gmt":"2024-05-21T18:33:12","guid":{"rendered":"https:\/\/www.kaspersky.com.br\/blog\/?p=22615"},"modified":"2024-05-21T15:33:12","modified_gmt":"2024-05-21T18:33:12","slug":"dense-pose-recognition-from-wi-fi-signal","status":"publish","type":"post","link":"https:\/\/www.kaspersky.com.br\/blog\/dense-pose-recognition-from-wi-fi-signal\/22615\/","title":{"rendered":"Como encontrar uma pessoa e reconhecer sua pose usando Wi-Fi"},"content":{"rendered":"

Para encontrar um homem (honesto), Di\u00f3genes usou uma lanterna, ou seja, o fil\u00f3sofo confiou apenas nos m\u00e9todos de reconhecimento \u00f3tico. Hoje, no entanto, os cientistas sugerem o uso de sinais da rede Wi-Fi para fazer isso. Mais especificamente, o m\u00e9todo desenvolvido<\/a> por tr\u00eas pesquisadores da universidade Carnegie Mellon usa o sinal de um roteador Wi-Fi dom\u00e9stico comum n\u00e3o apenas para identificar a localiza\u00e7\u00e3o de uma pessoa em um c\u00f4modo, mas tamb\u00e9m para identificar sua pose.<\/p>\n

Por que os sinais de Wi-Fi? Existem v\u00e1rios motivos para isso. Em primeiro lugar, ao contr\u00e1rio do reconhecimento \u00f3tico, os sinais de r\u00e1dio funcionam perfeitamente no escuro e n\u00e3o s\u00e3o impedidos por pequenos obst\u00e1culos, como m\u00f3veis. Em segundo lugar, eles s\u00e3o baratos, diferentemente dos sistemas lidar e radares, outras ferramentas que poderiam fazer o trabalho. Em terceiro lugar, os sinais de Wi-Fi j\u00e1 s\u00e3o onipresentes, eles est\u00e3o em todos os lugares. Mas at\u00e9 que ponto esse m\u00e9todo \u00e9 eficaz? E o que \u00e9 poss\u00edvel fazer com isso? Vamos entender tudo isso agora.<\/p>\n

DensePose: um m\u00e9todo para reconhecer poses humanas em imagens<\/h2>\n

Para come\u00e7ar, no entanto, precisamos voltar um pouco. Primeiro, precisamos entender como reconhecer com precis\u00e3o o corpo humano e suas poses em geral. Em 2018, outro grupo de cientistas apresentou um m\u00e9todo chamado DensePose<\/a>. Eles usaram o m\u00e9todo com sucesso para reconhecer poses humanas em fotografias, ou seja, imagens bidimensionais sem dados adicionais para profundidade.<\/p>\n

\u00c9 assim que funciona: primeiro, o modelo DensePose<\/a> procura os objetos nas imagens reconhecidos como corpos humanos. Ent\u00e3o, esses objetos s\u00e3o segmentados em \u00e1reas distintas, sendo que cada uma delas corresponde a uma parte espec\u00edfica do corpo para ser analisada individualmente. Essa abordagem \u00e9 usada porque as partes do corpo se movimentam de maneiras muito diferentes: por exemplo, a cabe\u00e7a e o tronco se comportam de maneiras muito diferentes em rela\u00e7\u00e3o aos bra\u00e7os e pernas.<\/p>\n

\"DensePose:<\/a>

O DensePose pode reconhecer com precis\u00e3o as poses de corpos humanos em fotografias e at\u00e9 criar mapas UV de suas superf\u00edcies. Fonte<\/a><\/p><\/div>\n

Assim, o modelo aprendeu a correlacionar uma imagem 2D com a superf\u00edcie 3D do corpo humano para obter n\u00e3o apenas as anota\u00e7\u00f5es de imagem correspondentes \u00e0 pose reconhecida, mas tamb\u00e9m um mapa UV do corpo representado na foto. Esse \u00faltimo permite, por exemplo, sobrepor uma textura na imagem.<\/p>\n

O mais impressionante \u00e9 que essa t\u00e9cnica pode reconhecer com precis\u00e3o as poses de v\u00e1rias pessoas agrupadas nas fotos, mesmo aquelas fotos ca\u00f3ticas da \u201cnoite do baile\u201d onde as pessoas ficam amontoadas e parcialmente em frente umas das outras.<\/p>\n

\"DensePose:<\/a>

O DensePose reconhece com precis\u00e3o as posi\u00e7\u00f5es de figuras individuais de pessoas agrupadas nas fotos. Fonte<\/a><\/p><\/div>\n

Al\u00e9m disso, se as imagens apresentadas no artigo e nos v\u00eddeos publicados pelos pesquisadores forem ver\u00eddicas, o sistema poder\u00e1 at\u00e9 lidar com credibilidade com as posi\u00e7\u00f5es corporais mais incomuns. Por exemplo, a rede neural identifica corretamente pessoas em bicicletas, motocicletas e a cavalo. Ela tamb\u00e9m determina com precis\u00e3o as poses de jogadores de beisebol, jogadores de futebol e dan\u00e7arinos de break que geralmente fazem movimentos imprevis\u00edveis.<\/p>\n

\"DensePose:<\/a>

O modelo DensePose funciona bem mesmo para poses muito incomuns. Fonte<\/a><\/p><\/div>\n

Outra vantagem do DensePose \u00e9 que ele n\u00e3o exige poder computacional extraordin\u00e1rio para funcionar. Com uma GeForce GTX 1080, dificilmente uma placa de v\u00eddeo topo de linha, mesmo na \u00e9poca em que o estudo foi publicado, o DensePose captura 20-26 quadros por segundo em uma resolu\u00e7\u00e3o de 240\u00d7320, e at\u00e9 cinco quadros por segundo em uma resolu\u00e7\u00e3o de 800\u00d71100.<\/p>\n

DensePose por Wi-Fi: ondas de r\u00e1dio em vez de fotos<\/h2>\n

Basicamente, a ideia dos pesquisadores da Carnegie Mellon era usar o modelo de IA de reconhecimento corporal de alto desempenho existente, o DensePose, mas aliment\u00e1-lo com sinais de Wi-Fi em vez de fotografias.<\/p>\n

Para o experimento, eles constru\u00edram a seguinte configura\u00e7\u00e3o:<\/p>\n