論文の概要: Joint COCO and Mapillary Workshop at ICCV 2019 Keypoint Detection Challenge Track Technical Report: Distribution-Aware Coordinate Representation for Human Pose Estimation

• arxiv url: http://arxiv.org/abs/2003.07232v1
• Date: Fri, 13 Mar 2020 10:22:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-24 01:57:44.965444
• Title: Joint COCO and Mapillary Workshop at ICCV 2019 Keypoint Detection Challenge Track Technical Report: Distribution-Aware Coordinate Representation for Human Pose Estimation
• Title（参考訳）: ICCV 2019 Keypoint Detection Challenge Track Technical Report: Distribution-Aware Coordinate Representation for Human Pose Estimation
• Authors: Hanbin Dai, Liangbo Zhou, Feng Zhang, Zhengyu Zhang, Hong Hu, Xiatian Zhu, Mao Ye
• Abstract要約: 人間のポーズ推定における座標表現に着目した。 本稿では,分散認識型復号法を提案する。 それらを組み合わせて,キーポイント(DARK)法のための新しい分布認識座標表現を定式化する。
• 参考スコア（独自算出の注目度）: 36.73217430761146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we focus on the coordinate representation in human pose estimation. While being the standard choice, heatmap based representation has not been systematically investigated. We found that the process of coordinate decoding (i.e. transforming the predicted heatmaps to the coordinates) is surprisingly significant for human pose estimation performance, which nevertheless was not recognised before. In light of the discovered importance, we further probe the design limitations of the standard coordinate decoding method and propose a principled distribution-aware decoding method. Meanwhile, we improve the standard coordinate encoding process (i.e. transforming ground-truth coordinates to heatmaps) by generating accurate heatmap distributions for unbiased model training. Taking them together, we formulate a novel Distribution-Aware coordinate Representation for Keypoint (DARK) method. Serving as a model-agnostic plug-in, DARK significantly improves the performance of a variety of state-of-the-art human pose estimation models. Extensive experiments show that DARK yields the best results on COCO keypoint detection challenge, validating the usefulness and effectiveness of our novel coordinate representation idea. The project page containing more details is at https://ilovepose.github.io/coco
• Abstract（参考訳）: 本稿では,人間のポーズ推定における座標表現に着目した。 標準的な選択であるが、ヒートマップに基づく表現は体系的に研究されていない。 座標デコーディング(すなわち予測熱マップを座標に変換する)のプロセスは、人間のポーズ推定性能にとって驚くほど重要であり、それにもかかわらずこれまで認識されていなかった。 検出された重要度を考慮して、標準座標復号法の設計限界をさらに探究し、原理的分布認識復号法を提案する。 また,不偏モデル学習のための正確なヒートマップ分布を生成することにより,標準座標符号化プロセス(すなわち地対地座標をヒートマップに変換する)を改善する。 それらを組み合わせて,キーポイント(DARK)法のための新しい分布認識座標表現を定式化する。 DARKはモデルに依存しないプラグインとして、さまざまな最先端の人間のポーズ推定モデルの性能を大幅に向上させる。 実験の結果,DARKはCOCOキーポイント検出の課題において,新しい座標表現概念の有用性と有効性を検証した。 詳細を含むプロジェクトページはhttps://ilovepose.github.io/coco。

関連論文リスト

• MDPose: Real-Time Multi-Person Pose Estimation via Mixture Density Model [27.849059115252008]
  本稿では,人間のキーポイントの結合分布をモデル化し,一段階のインスタンス認識ポーズ推定手法を提案する。 我々のMDPoseは、人間のキーポイントの高次元の関節分布を学習し、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-02-17T08:29:33Z)
• On Coordinate Decoding for Keypoint Estimation Tasks [22.603579615063495]
  2D(および3D)キーポイント推定の一連のタスクは、ヒートマップ座標の表現に基づいて構築される。 ヒートマップ座標表現は、グリッド上のキーポイント座標の符号化と復号化を学習し、空間的に認識することができる。
  論文  参考訳（メタデータ） (2021-10-19T22:14:48Z)
• Greedy Offset-Guided Keypoint Grouping for Human Pose Estimation [31.468003041368814]
  私たちは、異なる人物からすべてのキーポイントを無差別に推測するために、Hourglass Networkを使用します。 我々は、予測された誘導オフセットを利用して、候補のキーポイントを複数の人間のポーズにグループ化します。 当社のアプローチは、公正な条件下でのCOCOデータセットの課題に関する最先端技術に匹敵するものです。
  論文  参考訳（メタデータ） (2021-07-07T09:32:01Z)
• Graph-PCNN: Two Stage Human Pose Estimation with Graph Pose Refinement [54.29252286561449]
  グラフPCNNと呼ばれる2段階のグラフベースおよびモデルに依存しないフレームワークを提案する。 第1段階では、粗局化結果を得るために熱マップ回帰ネットワークを適用し、ガイドポイントと呼ばれる一連の提案キーポイントをサンプリングする。 第2段階では、各案内点について、ローカライゼーションにより異なる視覚特徴を抽出する。 ガイドされた点間の関係は、より正確なローカライゼーション結果を得るためにグラフポーズ精製モジュールによって探索される。
  論文  参考訳（メタデータ） (2020-07-21T04:59:15Z)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)
• Train Your Data Processor: Distribution-Aware and Error-Compensation Coordinate Decoding for Human Pose Estimation [14.816632698778049]
  本研究では,予測過程を通じて導入された誤差に着目して,熱マップ復号処理について検討する。 そこで,DAEC(Distributed-Aware and Error-Compensation Coordinate Decoding)を提案する。 DAECは、トレーニングデータから復号戦略を学び、最先端の人間のポーズ推定モデルの性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-07-12T02:17:29Z)
• Bottom-Up Human Pose Estimation by Ranking Heatmap-Guided Adaptive Keypoint Estimates [76.51095823248104]
  キーポイント検出とグループ化(キーポイント回帰)性能を改善するために,これまでにほとんど,あるいはまったく研究されていないいくつかのスキームを提案する。 まず,画素単位のキーポイントレグレッションに対して,キーポイントのリグレッションを改善するために分離する代わりに,キーポイントのヒートマップを利用する。 第2に、スケールと向きの分散を扱うための適応表現を学習するために、画素単位の空間変換器ネットワークを採用する。 第3に,真のポーズとなる確率の高い推定ポーズを促進するために,結合形状と熱値評価手法を提案する。
  論文  参考訳（メタデータ） (2020-06-28T01:14:59Z)
• Attentive One-Dimensional Heatmap Regression for Facial Landmark Detection and Tracking [73.35078496883125]
  顔のランドマークの局所化のための新しい1次元熱マップ回帰法を提案する。 まず、x座標とy座標の辺分布を表すために、1次元熱マップの2つの群を予測する。 第2に、x と y 座標に存在する固有の空間パターンをモデル化するコアテンション機構が採用されている。 第3に、1次元熱マップ構造に基づいて、画像上のランドマーク検出のための空間パターンを検出する顔ランドマーク検出器を提案する。
  論文  参考訳（メタデータ） (2020-04-05T06:51:22Z)
• Learning Delicate Local Representations for Multi-Person Pose Estimation [77.53144055780423]
  我々はResidual Steps Network (RSN) と呼ばれる新しい手法を提案する。 RSNは同じ空間サイズ(イントラレベルの特徴)の機能を効率よく集約し、微妙な局所表現を得る。 当社のアプローチは,COCO Keypoint Challenge 2019で第1位を獲得しました。
  論文  参考訳（メタデータ） (2020-03-09T10:40:49Z)

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。