Perpustakaan Digital ITB

Kemajuan teknologi kecerdasan buatan di bidang computer vision telah menghadirkan berbagai model estimasi pose yang dapat diakses secara luas di internet. Model-model ini mampu mengenali dan melacak posisi, orientasi, serta gerakan objek dalam gambar atau video secara otomatis dan akurat. Sebagai hasilnya, berbagai sektor, termasuk penginderaan, pelatihan, pengenalan wajah, dan realitas virtual, telah mengalami transformasi yang luar biasa berkat pemanfaatan teknologi estimasi pose. Evaluasi kinerja model estimasi pose menjadi langkah penting untuk mengidentifikasi kelebihan dan kekurangan model dalam berbagai kasus penggunaan. Dengan menguji model dalam skenario-skenario yang representatif dan realistis, kita dapat menilai sejauh mana model tersebut dapat diandalkan, serta mengidentifikasi area yang memerlukan peningkatan. Model estimasi pose yang digunakan adalah BlazePose, Movenet, dan PoseNet dan akan dievaluasi menggunakan Percentage of Correct Parts (PCP) dan Percentage of Detected Joints (PDJ). Pada model estimasi pose ini, akan dilakukan tiga percobaan untuk melihat seberapa baik model dapat mengatasi kasus – kasus dari tiap percobaan. Percobaan yang dilakukan adalah percobaan untuk mencari jarak terjauh yang bisa dideteksi model, percobaan rotasi dari sudut pandang tiga kamera yang berbeda, dan percobaan oklusi. Dari ketiga percobaan tersebut. MediaPipe BlazePose bisa mendeteksi pose dengan jarak terjauh sejauh 10 meter. BlazePose juga bisa mendeteksi pose pada kasus rotasi hingga 70 derajat dengan baik dengan nilai PCP dan PDJ sebesar 91,67% untuk kamera tengah dan kamera kiri dan 100% untuk kamera kanan. Selain itu, BlazePose mampu mengatasi kasus oklusi percobaan ini dengan nilai PCP sebesar 58.33% untuk kasus 1 dan kasus 2 dan 0% untuk kasus 3 dan nilai PDJ sebesar 75% untuk kasus 1, 66.67% untuk kasus 2, dan 0% untuk kasus 3.