Ian|在线试玩，在体感游戏中打败泰森，这位小哥破解了任天堂拳无虚发( 二 ) 训练|关键点|游戏|MoveNet|运行

通过完全在客户端运行该模型的方式可实现对运行速度的需求，即在使用 TensorFlow.js 的浏览器中运行且在初始页面加载后不需要服务器调用，也不需要安装任何依赖项。

文章图片

MoveNet 可以通过快速动作和非典型姿势跟踪关键点。

文章图片

传统方案（上）与 MoveNet（下）在高难度姿态检测上的对比结果，传统方案会跟丢关键点，而 MoveNet 不会
MoveNet 架构
MoveNet 是一种自下而上的估计模型，使用热图来准确定位人体关键点。该架构由两个组件组成：一个特征提取器和一组预测头。预测方案大致遵循 CenterNet ，但变化明显，提高了速度和准确率。所有的模型都是用 TensorFlow 对象检测 API 进行训练。
MoveNet 中的特征提取器是带有附加特征金字塔网络 (FPN) 的 MobileNetV2 ，它允许高分辨率（输出跨度为 4），此外还提供语义丰富的特征图输出。该特征提取器具有四个预测头，负责密集地预测：

人体中心热图：预测人体实例的几何中心；
关键点回归域：预测人体的全部关键点，用于将关键点分组到实例中；
人体关键点热图：预测所有关键点的位置，不依赖于人体实例；
2D 每关键点偏移域：预测从每个输出特征图像素到每个关键点的精确子像素位置的局部偏移量。

文章图片

MoveNet 架构图
MoveNet 模型分四步来完成预测，过程如下图所示：

文章图片

以下是关于 MoveNet 模型的更多参考资料：

TF Hub 运行：http://tensorflow.google.cn/hub
Lightning：https://hub.tensorflow.google.cn/google/tfjs-model/movenet/singlepose/lightning/3
Thunder：https://hub.tensorflow.google.cn/google/tfjs-model/movenet/singlepose/thunder/3

【Ian|在线试玩，在体感游戏中打败泰森，这位小哥破解了任天堂拳无虚发】参考链接：https://blog.tensorflow.org/2021/05/next-generation-pose-detection-with-movenet-and-tensorflowjs.html