# 如何使用人體姿態檢測模型( Human Pose Estimation Model )做單人脊椎檢測 - 大綱

#### 前言
內容大綱：
將簡述目前在人體檢測的應用上，以本案為例：在針對人體脊椎進行「脊椎側彎」、「骨盆前傾」等相關病症檢測時，由於受檢項目多樣且繁瑣，如下圖所示。
目前部分場域由人員進行檢核，耗時過長，可使用人體姿態檢測模型來改善此問題。


學習目標：
- 了解人體姿態檢測模型應用多樣
- 激發學員思考AI模型可改善目前產業迫切需解決的問題

#### 課程一： 入門 Human Pose Estimation Model

內容大綱：根據年份與關聯性介紹「Stacked Hourglass Network」、「AlphaPose」兩種模型

##### <b>『Stacked Hourglass Network』
基於Hourglass Network的架構，將圖片透過多次的Top-Down與Bottom-Up
來進行人體關鍵點的檢測，如架構圖所示。

| 架構圖 |
|:------:|
| 
|
| 檢測結果|

---

###### Newell, A., Yang, K., & Deng, J. (2016, October). Stacked hourglass networks for human pose estimation. In European conference on computer vision (pp. 483-499). Springer, Cham.
---

##### <b>「AlphaPose」

提出三個架構來解決在Regional Multi-Person Pose Estimation (RMPE)中
Bounding Box的框選的位置不正確的問題：
(1) Symmetric Spatial Transformer Network (SSTN)
(2) Parametric Pose Non-Maximum-Suppression (NMS)
(3) Pose-Guided Proposals Generator (PGPG)

| 架構圖 |
|:------:|
| 
|
| 檢測結果|

---
###### Fang, H. S., Xie, S., Tai, Y. W., & Lu, C. (2017). Rmpe: Regional multi-person pose estimation. In Proceedings of the IEEE international conference on computer vision (pp. 2334-2343).
---

並簡述如何透過人體檢測模型進行人體脊椎偏移檢測。

學習目標：
- 了解人體檢測模型的近年發展
- 分辨在不同需求下，適用的模型為何

#### 課程二：實作 Human Pose Estimation Model

內容大綱：帶領學員透過Google Colab來使用人體姿態檢測模型
執行單人姿態檢測，可自行帶入圖像進行檢測，檢測結果如下圖所示。
可呈現關鍵點與人體對應位置並顯示於圖像。

執行結果範例：

| 人體關鍵點 | 將點帶入原圖顯示 |
|:------------------------------------:|:------------------------------------:|
|  |  |
| | |

學習目標：
- 學習如何使用 Human Pose Estimation Model 範例

#### 課程三：如何運用 Human Pose Estimation Model 來檢測脊椎偏移

內容大綱：將簡述上一堂課程的結果，說明可定義標準，根據檢測結果來對比結果差異，得出人體偏移情況

可使用餘弦定理來計算「頭部」、「脖子」、「脊椎」三點角度。
本堂課將帶領學員透過Google Colab來執行脊椎檢測。

學習目標：
- 進一步如何使用人體檢測模型除了可以預測行人所在位置外，更可以應用於其他問題。