{"id":27374,"date":"2024-05-23T20:20:27","date_gmt":"2024-05-24T02:20:27","guid":{"rendered":"https:\/\/latam.kaspersky.com\/blog\/?p=27374"},"modified":"2024-05-23T20:20:27","modified_gmt":"2024-05-24T02:20:27","slug":"dense-pose-recognition-from-wi-fi-signal","status":"publish","type":"post","link":"https:\/\/latam.kaspersky.com\/blog\/dense-pose-recognition-from-wi-fi-signal\/27374\/","title":{"rendered":"C\u00f3mo encontrar a una persona y reconocer su pose usando Wi-Fi"},"content":{"rendered":"

Para encontrar a un hombre (honesto), Di\u00f3genes hab\u00eda usado una linterna; el fil\u00f3sofo se basaba \u00fanicamente en m\u00e9todos de reconocimiento \u00f3ptico. Hoy, sin embargo, los cient\u00edficos sugieren usar se\u00f1ales de Wi-Fi para esta finalidad. M\u00e1s espec\u00edficamente, el m\u00e9todo desarrollado<\/a> por tres investigadores de la Universidad Carnegie Mellon utiliza la se\u00f1al de un enrutador Wi-Fi dom\u00e9stico com\u00fan no solo para detectar la ubicaci\u00f3n de una persona en una habitaci\u00f3n, sino tambi\u00e9n para identificar su pose.<\/p>\n

\u00bfPor qu\u00e9 Wi-Fi? Esto se debe a varios motivos. En primer lugar, a diferencia del reconocimiento \u00f3ptico, las se\u00f1ales de radio funcionan perfectamente en la oscuridad y no se ven obstaculizadas por peque\u00f1os obst\u00e1culos como los muebles. En segundo lugar, es barato, lo que no se puede decir de los lidares y radares, otras herramientas que podr\u00edan cumplir la misma funci\u00f3n. En tercer lugar, la conexi\u00f3n Wi-Fi ya es omnipresente; est\u00e1 al alcance de la mano. Sin embargo, \u00bfqu\u00e9 tan efectivo es este m\u00e9todo? \u00bfY qu\u00e9 puedes hacer con \u00e9l? Vamos a analizarlo.<\/p>\n

DensePose: un m\u00e9todo para reconocer las poses humanas en im\u00e1genes<\/h2>\n

Para comenzar, debemos retroceder un poco. Primero, debemos comprender c\u00f3mo reconocer con precisi\u00f3n el cuerpo humano y sus poses en general. En 2018, un grupo de cient\u00edficos hab\u00eda presentado un m\u00e9todo llamado DensePose<\/a>. Lo usaron con \u00e9xito para reconocer poses humanas en fotograf\u00edas, es decir, im\u00e1genes bidimensionales sin datos adicionales de profundidad.<\/p>\n

As\u00ed es como funciona: primero, el modelo DensePose<\/a> busca objetos en las im\u00e1genes que se reconocen como cuerpos humanos. Luego, estos objetos se segmentan en \u00e1reas distintas, cada una correspondiente a una parte del cuerpo espec\u00edfica, y se analizan individualmente. Este enfoque se utiliza porque las partes del cuerpo se mueven de manera muy diferente: por ejemplo, la cabeza y el torso se comportan de manera muy distinta a los brazos y las piernas.<\/p>\n

\"DensePose:<\/a>

DensePose puede reconocer con precisi\u00f3n las poses de cuerpos humanos en fotograf\u00edas e incluso crear mapas UV de sus superficies. Fuente<\/a><\/p><\/div>\n

Como resultado, el modelo ha aprendido a correlacionar una imagen 2D con la superficie 3D del cuerpo humano, obteniendo no solo las anotaciones de la imagen correspondientes a la pose reconocida, sino tambi\u00e9n un mapa UV del cuerpo representado en la fotograf\u00eda. Este \u00faltimo permite, por ejemplo, superponer una textura a la imagen.<\/p>\n

Lo m\u00e1s impresionante es que esta t\u00e9cnica puede reconocer con precisi\u00f3n las poses de varias personas en las fotos de grupo, incluso esas ca\u00f3ticas im\u00e1genes de la \u201cnoche de graduaci\u00f3n\u201d en las que las personas se amontonan y se tapan parcialmente.<\/p>\n

\"DensePose:<\/a>

DensePose reconoce con precisi\u00f3n las posiciones de figuras individuales en fotos de grupo. Fuente<\/a><\/p><\/div>\n

Adem\u00e1s, si confiamos en las im\u00e1genes presentadas en el documento y los v\u00eddeos publicados por los investigadores, el sistema puede detectar con confianza incluso las posiciones corporales m\u00e1s inusuales. Por ejemplo, la red neuronal identifica correctamente a las personas en bicicletas, motocicletas y a caballo, y tambi\u00e9n determina con precisi\u00f3n las poses de los jugadores de b\u00e9isbol, de f\u00fatbol e incluso de los bailarines de breakdance, que a menudo se mueven de forma impredecible.<\/p>\n

\"DensePose:<\/a>

El modelo DensePose funciona bien incluso en poses muy inusuales. Fuente<\/a><\/p><\/div>\n

Otra ventaja de DensePose es que no requiere recursos de procesamiento extraordinarios para funcionar. Con una GeForce GTX 1080, que no es una tarjeta gr\u00e1fica de primera l\u00ednea, incluso en el momento de publicaci\u00f3n del estudio, DensePose captura de 20 a 26\u00a0fotogramas por segundo a una resoluci\u00f3n de 240\u00a0\u00d7\u00a0320 y hasta cinco fotogramas por segundo a una resoluci\u00f3n de 800\u00a0\u00d7\u00a01100.<\/p>\n

DensePose a trav\u00e9s de Wi-Fi: ondas de radio en lugar de fotos<\/h2>\n

B\u00e1sicamente, la idea de los investigadores de Carnegie Mellon era utilizar el modelo de inteligencia artificial de reconocimiento corporal de alto rendimiento existente, DensePose, pero alimentarlo con se\u00f1ales de Wi-Fi en lugar de fotograf\u00edas.<\/p>\n

Para su experimento, construyeron la siguiente configuraci\u00f3n:<\/p>\n