mediapipe 自测题

1.什么是letterbox?

 款屏幕的视频，被显示出来，保持比例不变，上下需要填充黑色，每个黑色填充部分，称为letterbox, https://en.wikipedia.org/wiki/Letterboxing_(filming)

2. mediapipe，检测手掌，都包括什么信息，即检测到了什么？

  包括手掌的图片中的rect box, 用x,y,w,h描述，和7个关键点，不是21个关键点，7个关键点，是手的最外围6个关键点，加中指第一关节关键点。后面利用腕关节和中指第一关节，成90度，来转正手掌。

https://github.com/google/mediapipe/blob/master/mediapipe/docs/hand_tracking_mobile_gpu.md

3.对比blazepalm的转正方式，在text detection任务中，east, https://github.com/argman/EAST, 中，angle是怎么产生的？

  在east中，文本角度是直接预测的，范围是[-45, 45], 即(softmax-0.5)*PI/2, 那么这个角度是什么意思呢，没有大于45度的情况吗？

  如果大于45度，就取取左边的角度。如下图，一般预测角度a, 如果a>45, 那么预测b, https://github.com/argman/EAST/blob/master/icdar.py#L371

4. mediapipe hand tracking 有很多误检，请估计原因，以及解决办法。

mediapipe 手势跟踪测试

我测试时候，mediapipe,经常把远处的脸检测成了手，造成误检，估计原因，是其训练集里面，没有加入不含手的图片，解决办法是，重新训练，增加不含手，但是有很多类似手的图片

5.mediapipe，里面有误检时候，没有把landmark画出来，为什么？似乎画出了手掌轮廓，还有绿色小矩形里面有绿色小圆圈，是怎么画出来的，是什么？   

小矩形是手掌部分，不含手指，见上面图。

6. handtracking 里面每个关键点对应的关节名称是什么，怎么排列的？

7.mediapipe hand tracking, 使用了多少数据集训练？其中z坐标是什么？

  3w张图片  ，z是hand landmark到镜头的距离

https://ai.googleblog.com/2019/08/on-device-real-time-hand-tracking-with.html （To obtain ground truth data, we have manually annotated ~30K real-world images with 21 3D coordinates, as shown below (we take Z-value from image depth map, if it exists per corresponding coordinate).）

8.预测的21 landmark是否有 score?

有score, 阈值用来判断，判断下一帧是否继续检测手

9. 对于landmark 的深度信息，在普通单目摄像机上，准确率如何？

  非常不准，手放在一米的镜头前只要手背隆起：

I1228 15:18:42.683882 20126 landmarks_to_render_data_calculator.cc:222] z:14.1406
I1228 15:18:42.683890 20126 landmarks_to_render_data_calculator.cc:69] z_min:0.00139046 z_max:29.7969
I1228 15:18:42.683907 20126 landmarks_to_render_data_calculator.cc:328] thickness:4
I1228 15:18:42.683914 20126 landmarks_to_render_data_calculator.cc:222] z:19.2656
I1228 15:18:42.683923 20126 landmarks_to_render_data_calculator.cc:69] z_min:0.00139046 z_max:29.7969
I1228 15:18:42.683931 20126 landmarks_to_render_data_calculator.cc:328] thickness:4
I1228 15:18:42.683939 20126 landmarks_to_render_data_calculator.cc:222] z:23.5312
I1228 15:18:42.683948 20126 landmarks_to_render_data_calculator.cc:69] z_min:0.00139046 z_max:29.7969
I1228 15:18:42.683956 20126 landmarks_to_render_data_calculator.cc:328] thickness:4
I1228 15:18:42.683964 20126 landmarks_to_render_data_calculator.cc:222] z:27.0469
I1228 15:18:42.683972 20126 landmarks_to_render_data_calculator.cc:69] z_min:0.00139046 z_max:29.7969
I1228 15:18:42.683981 20126 landmarks_to_render_data_calculator.cc:328] thickness:4
I1228 15:18:42.683990 20126 landmarks_to_render_data_calculator.cc:222] z:14.4922
I1228 15:18:42.683997 20126 landmarks_to_render_data_calculator.cc:69] z_min:0.00139046 z_max:29.7969
I1228 15:18:42.684006 20126 landmarks_to_render_data_calculator.cc:328] thickness:4
I1228 15:18:42.684013 20126 landmarks_to_render_data_calculator.cc:222] z:19.1875
I1228 15:18:42.684028 20126 landmarks_to_render_data_calculator.cc:69] z_min:0.00139046 z_max:29.7969
I1228 15:18:42.684037 20126 landmarks_to_render_data_calculator.cc:328] thickness:4
I1228 15:18:42.684046 20126 landmarks_to_render_data_calculator.cc:222] z:21.4062
I1228 15:18:42.684053 20126 landmarks_to_render_data_calculator.cc:69] z_min:0.00139046 z_max:29.7969
I1228 15:18:42.684062 20126 landmarks_to_render_data_calculator.cc:328] thickness:4
I1228 15:18:42.684070 20126 landmarks_to_render_data_calculator.cc:222] z:23.0156
I1228 15:18:42.684077 20126 landmarks_to_render_data_calculator.cc:69] z_min:0.00139046 z_max:29.7969

11 背景复杂的话，mediapipe handtrack检测效果如何？

   有很多误检

12 检测步骤，只检测手掌，不检测手指，为什么？

  a) 因为手掌是刚性的，比起有关节的手指，用深度学习来检测要容易得多;b)手掌是小物体，所以使用nms是可以的，同时对于握手这种，也可以很好的检测到两个手；c)手掌可以认为是方形的anchor, 从而不需要考虑多种比例，这样极大地减少了anchor数量 1/3-1/5; d)使用了encoder-decoder的方式, 可以很好的利用周围信息，对于检测小目标很有用；d）我们优化focal loss, 这样,虽然有很多尺度的方框，也能很好的处理。

13 mediapipe hand detection, 使用focal loss + 解码器结构， 准确率是多少？而不用解码器，用普通方框最小均方误差，mse, 准确率是多少？

  分别是：95.7%， 86.22%

14 什么是focalloss?

普通交叉熵损失如下，目标值为1， 如果预测趋近于1，那么误差很小，如果预测趋近于0，那么误差非常大；如果目标值为0，那么1-y=1, 1-p趋近于0，误差很小，如果p趋近于1，

  

如下两个式子，后面部分不管，只看前面，y=1,预测接近于1，那么是简单样本，降低损失，而对于难得样本，比如p=0.1, 那么（1-p）就提高了难样本的损失；同理对于y=0的样本，如果p接近0，那么是很简单的样本，乘以p降低损失，即简单的负样本，误差很小；如果p接近于1，那么是难得负样本，要加大它的权重，乘以p就加大了。

r=2,会更加大这种趋势