論文の概要: AnimePose: Multi-person 3D pose estimation and animation

• arxiv url: http://arxiv.org/abs/2002.02792v1
• Date: Thu, 6 Feb 2020 11:11:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 13:04:58.271271
• Title: AnimePose: Multi-person 3D pose estimation and animation
• Title（参考訳）: animepose: 多人数3dポーズ推定とアニメーション
• Authors: Laxman Kumarapu and Prerana Mukherjee
• Abstract要約: 動作中の人間の3Dアニメーションは、人体全体に複数のモーショントラッカーを配置して、すべての手足の動きを追跡するため、非常に難しい。 これは時間がかかり、運動センサー付きエキソスケルトンボディスーツの着用が不快になる可能性がある。 深層学習を用いた2次元映像から複数の人物の3次元アニメーションを生成する方法を提案する。
• 参考スコア（独自算出の注目度）: 9.323689681059504
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D animation of humans in action is quite challenging as it involves using a huge setup with several motion trackers all over the person's body to track the movements of every limb. This is time-consuming and may cause the person discomfort in wearing exoskeleton body suits with motion sensors. In this work, we present a trivial yet effective solution to generate 3D animation of multiple persons from a 2D video using deep learning. Although significant improvement has been achieved recently in 3D human pose estimation, most of the prior works work well in case of single person pose estimation and multi-person pose estimation is still a challenging problem. In this work, we firstly propose a supervised multi-person 3D pose estimation and animation framework namely AnimePose for a given input RGB video sequence. The pipeline of the proposed system consists of various modules: i) Person detection and segmentation, ii) Depth Map estimation, iii) Lifting 2D to 3D information for person localization iv) Person trajectory prediction and human pose tracking. Our proposed system produces comparable results on previous state-of-the-art 3D multi-person pose estimation methods on publicly available datasets MuCo-3DHP and MuPoTS-3D datasets and it also outperforms previous state-of-the-art human pose tracking methods by a significant margin of 11.7% performance gain on MOTA score on Posetrack 2018 dataset.
• Abstract（参考訳）: 動作中の人間の3Dアニメーションは、人体全体に複数のモーショントラッカーを配置して、すべての手足の動きを追跡するという、非常に難しい作業です。 これは時間がかかり、運動センサー付きエキソスケルトンボディスーツの着用が不快になる可能性がある。 本研究では,深層学習を用いた2次元映像から複数の人物の3dアニメーションを生成するための自明で効果的な解を提案する。 近年3次元ポーズ推定において顕著な改善が達成されているが、従来の作業のほとんどは、一人のポーズ推定や複数人のポーズ推定が依然として困難な問題である場合にうまく機能する。 本稿ではまず,与えられたRGBビデオシーケンスに対して,教師付きマルチパーソン3Dポーズ推定とアニメーションフレームワークAnimePoseを提案する。 提案するシステムのパイプラインは様々なモジュールで構成されている。 一 人物の検出及び区分 二 深さマップの推定 三 人的位置決めのための2Dから3D情報を取得すること。 四 人的軌道予測及び人的ポーズ追跡 提案システムは,公開データセットである MuCo-3DHP と MuPoTS-3D データセットに対して,従来の最先端の 3D ポーズ推定手法に比較して比較結果を生成するとともに,Posetrack 2018 データセットにおける MOTA スコアに対する 11.7% のパフォーマンス向上率で,従来の最先端の人間のポーズ追跡手法よりも優れていた。

関連論文リスト

• SoloPose: One-Shot Kinematic 3D Human Pose Estimation with Video Data Augmentation [0.4218593777811082]
  SoloPoseは、ビデオのキネマティックな3Dポーズ推定のための、ワンショットで多対多の時間変換モデルである。 HeatPoseはガウス混合モデル分布に基づく3次元熱マップであり、キーポイントだけでなくキーポイントを標的にしている。 3D AugMotion Toolkitは、既存の3D人間のポーズデータセットを拡張するための方法論である。
  論文  参考訳（メタデータ） (2023-12-15T20:45:04Z)
• TRACE: 5D Temporal Regression of Avatars with Dynamic Cameras in 3D Environments [106.80978555346958]
  現在の方法では、地球上の座標で動く人間を確実に推定することはできない。 TRACEは、ダイナミックカメラからグローバル座標における3D人間の共同回収と追跡を行う最初の1段階の手法である。 トラッキングとHPSベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-06-05T13:00:44Z)
• Scene-Aware 3D Multi-Human Motion Capture from a Single Camera [83.06768487435818]
  静止カメラで記録された1枚のRGBビデオから、シーン内の複数の人間の3次元位置を推定し、その身体形状と調音を推定する問題を考察する。 コンピュータビジョンの最近の進歩を,2次元の人体関節,関節角度,正規化不均等マップ,人間のセグメンテーションマスクなど,様々なモダリティのための大規模事前訓練モデルを用いて活用している。 特に,2次元の関節と関節角度を用いた正規化不均等予測から,シーン深度とユニークな人格尺度を推定する。
  論文  参考訳（メタデータ） (2023-01-12T18:01:28Z)
• ElePose: Unsupervised 3D Human Pose Estimation by Predicting Camera Elevation and Learning Normalizing Flows on 2D Poses [23.554957518485324]
  本研究では、1つの画像から3次元人間のポーズを予測することを学ぶ教師なしのアプローチを提案する。 ランダムなプロジェクションに最も近い3次元ポーズを推定し、2次元ポーズの正規化フローを用いて推定する。 我々は,Human3.6M と MPI-INF-3DHP のベンチマークデータセット上で,最先端の教師なしポーズ推定手法を多くの指標で上回っている。
  論文  参考訳（メタデータ） (2021-12-14T01:12:45Z)
• Learning Temporal 3D Human Pose Estimation with Pseudo-Labels [3.0954251281114513]
  自己監督型3次元ポーズ推定のための簡易かつ効果的なアプローチを提案する。 我々は、マルチビューカメラシステムの2Dボディポーズ推定を三角測量に頼っている。 提案手法はHuman3.6MとMPI-INF-3DHPベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-10-14T17:40:45Z)
• VoxelTrack: Multi-Person 3D Human Pose Estimation and Tracking in the Wild [98.69191256693703]
  本稿では,VoxelTrackを用いて,多人数の3次元ポーズ推定と,広義のベースラインで分離された少数のカメラからの追跡を行う。 マルチブランチネットワークを使用して、環境中のすべての人に3Dポーズと再識別機能(Re-ID)を共同で推定する。 これは、Shelf、Campus、CMU Panopticの3つの公開データセットに対して、最先端の手法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2021-08-05T08:35:44Z)
• 3DCrowdNet: 2D Human Pose-Guided3D Crowd Human Pose and Shape Estimation in the Wild [61.92656990496212]
  3DCrowdNetは、2D人間のポーズガイド3D群衆ポーズと形状推定システムです。 我々の3DCrowdNetは、これまでのクラウドシーンの手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-15T08:21:28Z)
• Human POSEitioning System (HPS): 3D Human Pose Estimation and Self-localization in Large Scenes from Body-Mounted Sensors [71.29186299435423]
  HPS(Human POSEitioning System)は、周囲の環境の3Dスキャンで登録された人間の完全な3Dポーズを回復する手法です。 最適化に基づく統合は2つの利点を生かし、結果としてドリフトのないポーズの精度が得られることを示す。 hpsは、人間が外部カメラに直接視線を向けなくてもシーンと対話できるvr/arアプリケーションとして使用できる。
  論文  参考訳（メタデータ） (2021-03-31T17:58:31Z)
• Fusing Wearable IMUs with Multi-View Images for Human Pose Estimation: A Geometric Approach [76.10879433430466]
  多視点画像と人手足に装着したIMUから3次元人間のポーズを推定する。 まず2つの信号から2Dのポーズを検出し、3D空間に持ち上げる。 単純な2段階のアプローチは、公開データセット上の大きなマージンによる最先端のエラーを低減する。
  論文  参考訳（メタデータ） (2020-03-25T00:26:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。