{"id":28837,"date":"2024-05-20T14:51:43","date_gmt":"2024-05-20T12:51:43","guid":{"rendered":"https:\/\/www.kaspersky.it\/blog\/?p=28837"},"modified":"2024-05-20T14:51:43","modified_gmt":"2024-05-20T12:51:43","slug":"dense-pose-recognition-from-wi-fi-signal","status":"publish","type":"post","link":"https:\/\/www.kaspersky.it\/blog\/dense-pose-recognition-from-wi-fi-signal\/28837\/","title":{"rendered":"Come trovare una persona e riconoscerne la posizione del corpo tramite Wi-Fi"},"content":{"rendered":"

Per trovare un uomo (onesto), il filosofo Diogene girava notoriamente con una lanterna: il suo era un metodo di riconoscimento ottico. Gli scienziati di oggi suggeriscono di utilizzare i segnali Wi-Fi. Pi\u00f9 specificamente, il metodo sviluppato<\/a> da tre ricercatori della Carnegie Mellon University utilizza il segnale di un normale router Wi-Fi domestico non solo per individuare la posizione di una persona in una stanza, ma anche per identificare la posa del corpo.<\/p>\n

Perch\u00e9 il Wi-Fi? I motivi sono diversi. In primo luogo, a differenza del riconoscimento ottico, i segnali radio funzionano perfettamente al buio e non vengono impediti dagli ostacoli di piccole dimensioni, come i mobili. In secondo luogo, al contrario delle tecnologie lidar e radar (due strumenti adatti al medesimo scopo), il Wi-Fi \u00e8 conveniente. In terzo luogo, il Wi-Fi \u00e8 gi\u00e0 onnipresente, letteralmente a portata di mano. Ma quanto \u00e8 efficace questo metodo? E a cosa pu\u00f2 servire? Vediamolo in dettaglio.<\/p>\n

DensePose: un metodo per riconoscere le pose umane nelle immagini<\/h2>\n

Prima di iniziare dobbiamo fare un passo indietro per capire come sia possibile in generale riconoscere con precisione il corpo umano e le sue pose. Nel 2018, un altro gruppo di scienziati ha presentato un metodo chiamato DensePose<\/a>. Il metodo fu usato con successo per riconoscere le pose umane nelle fotografie, ovvero immagini bidimensionali prive di dati sulla profondit\u00e0.<\/p>\n

Ecco come funziona: per prima cosa il modello DensePose<\/a> cerca nelle immagini gli elementi riconoscibili come corpi umani. Questi elementi vengono poi segmentati in aree distinte, ciascuna corrispondente a una specifica parte del corpo, e analizzati singolarmente. Questo approccio viene utilizzato perch\u00e9 le diverse parti del corpo si muovono secondo proprie prerogative: ad esempio la testa e il busto si comportano in modo molto diverso rispetto a braccia e gambe.<\/p>\n

\"DensePose:

DensePose pu\u00f2 riconoscere con precisione le pose dei corpi umani nelle fotografie e persino creare mappe UV delle loro superfici. Fonte<\/a><\/p><\/div>\n

Il modello impara a correlare un\u2019immagine 2D con la superficie 3D del corpo umano, ottenendo non solo annotazioni nell\u2019immagine corrispondenti alla posa riconosciuta, ma anche una mappa UV del corpo raffigurato. Questa mappa consente, ad esempio, di sovrapporre una texture all\u2019immagine.<\/p>\n

La cosa pi\u00f9 impressionante \u00e8 che tale tecnica pu\u00f2 riconoscere con precisione le pose di pi\u00f9 persone nelle foto di gruppo, anche in quelle pi\u00f9 caotiche in cui le persone sono accalcate e si nascondono parzialmente a vicenda.<\/p>\n

\"DensePose:

DensePose riconosce con precisione le posizioni delle persone nelle foto di gruppo. Fonte<\/a><\/p><\/div>\n

Inoltre, se si deve credere alle immagini presentate nel documento e ai video pubblicati dai ricercatori, il sistema pu\u00f2 gestire con sicurezza anche le pose pi\u00f9 insolite. Ad esempio, la rete neurale identifica correttamente persone in bicicletta, in moto e a cavallo e determina anche con precisione le pose di giocatori di baseball, calciatori e persino breakdancer, che spesso si muovono in modi imprevedibili.<\/p>\n

\"DensePose:

Il modello DensePose funziona bene anche per pose molto insolite.Fonte<\/a><\/p><\/div>\n

Un altro vantaggio di DensePose \u00e8 che non richiede grande potenza di calcolo. Utilizzando una GeForce GTX 1080, quindi non una scheda grafica top di gamma nemmeno al momento della pubblicazione dello studio, DensePose acquisisce 20-26 fotogrammi al secondo a una risoluzione di 240\u00d7320 e fino a cinque fotogrammi al secondo a una risoluzione di 800\u00d71100.<\/p>\n

DensePose tramite Wi-Fi: onde radio al posto delle foto<\/h2>\n

Fondamentalmente, l\u2019idea dei ricercatori della Carnegie Mellon era di utilizzare il modello di intelligenza artificiale ad alte prestazioni esistente, DensePose, alimentandolo con segnali Wi-Fi anzich\u00e9 fotografie.<\/p>\n

Per il loro esperimento hanno approntato la seguente configurazione:<\/p>\n