論文の概要: Single upper limb pose estimation method based on improved stacked hourglass network

• arxiv url: http://arxiv.org/abs/2004.07456v1
• Date: Thu, 16 Apr 2020 04:48:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 21:36:58.054059
• Title: Single upper limb pose estimation method based on improved stacked hourglass network
• Title（参考訳）: 改良型砂時計網を用いた上肢単足姿勢推定法
• Authors: Gang Peng, Yuezhi Zheng, Jianfeng Li, Jin Yang, Zhonghua Deng
• Abstract要約: 一人称ポーズ推定において高精度かつリアルタイムなパフォーマンスを実現することは困難である。 本稿では,エンド・ツー・エンドアプローチに基づく一人称上肢ポーズ推定手法を提案する。
• 参考スコア（独自算出の注目度）: 5.342260499725028
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: At present, most high-accuracy single-person pose estimation methods have high computational complexity and insufficient real-time performance due to the complex structure of the network model. However, a single-person pose estimation method with high real-time performance also needs to improve its accuracy due to the simple structure of the network model. It is currently difficult to achieve both high accuracy and real-time performance in single-person pose estimation. For use in human-machine cooperative operations, this paper proposes a single-person upper limb pose estimation method based on an end-to-end approach for accurate and real-time limb pose estimation. Using the stacked hourglass network model, a single-person upper limb skeleton key point detection model was designed.Deconvolution was employed to replace the up-sampling operation of the hourglass module in the original model, solving the problem of rough feature maps. Integral regression was used to calculate the position coordinates of key points of the skeleton, reducing quantization errors and calculations. Experiments showed that the developed single-person upper limb skeleton key point detection model achieves high accuracy and that the pose estimation method based on the end-to-end approach provides high accuracy and real-time performance.
• Abstract（参考訳）: 現在では, ネットワークモデルの複雑な構造により, 計算複雑性が高く, 実時間性能が不十分である場合が多い。 しかし,高リアルタイム性能のシングルパーソンポーズ推定手法では,ネットワークモデルの単純な構造により精度を向上させる必要がある。 現在、一人称ポーズ推定において高精度かつリアルタイムなパフォーマンスを実現することは困難である。 本稿では,人間と機械の協調作業に利用するために,エンド・ツー・エンドアプローチに基づく一人称上肢ポーズ推定法を提案する。 重ね合わせの砂時計ネットワークモデルを用いて, 1人の上肢骨格キーポイント検出モデルが設計され, 原型モデルにおける砂時計モジュールのアップサンプリング操作を置き換え, 粗い特徴マップの問題を解決するためにデコンボリューションが採用された。 積分回帰は骨格のキーポイントの位置座標を計算し、量子化誤差と計算を減らすために用いられた。 実験により, 開発した一対一上肢骨格キーポイント検出モデルは高精度であり, エンドツーエンドアプローチに基づくポーズ推定手法により, 高精度かつリアルタイムな性能が得られることがわかった。

関連論文リスト

• Lightweight Estimation of Hand Mesh and Biomechanically Feasible Kinematic Parameters [9.477719717840683]
  画像から手メッシュを効率的に推定するために,従来提案していた画像-画像-画像間アプローチの効率的なバリエーションを提案する。 Inverted kinematic (IK) network to convert the estimated hand mesh to a biomechanically feasible set of joint rotation parameters。 我々のLite I2L Mesh Netは、計算複雑性全体の13%以下で最先端の関節およびメッシュ推定精度を達成する。
  論文  参考訳（メタデータ） (2023-03-26T22:24:12Z)
• Rethinking Keypoint Representations: Modeling Keypoints and Poses as Objects for Multi-Person Human Pose Estimation [79.78017059539526]
  本研究では,個々のキーポイントと空間的関連キーポイント(ポーズ)の集合を,密集した単一ステージアンカーベース検出フレームワーク内のオブジェクトとしてモデル化する,新しいヒートマップフリーなキーポイント推定手法を提案する。 実験では, KAPAOは従来手法よりもはるかに高速かつ高精度であり, 熱マップ後処理に悩まされていた。 我々の大規模モデルであるKAPAO-Lは、テスト時間拡張なしでMicrosoft COCO Keypoints検証セット上で70.6のAPを達成する。
  論文  参考訳（メタデータ） (2021-11-16T15:36:44Z)
• Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
  本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。 学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。 提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-11T23:31:34Z)
• FasterPose: A Faster Simple Baseline for Human Pose Estimation [65.8413964785972]
  本稿では,高速ポーズ推定のためのLR表現を用いた費用対効果ネットワークの設計パラダイムであるFasterPoseを提案する。 我々は,FasterPoseのトレーニング挙動について検討し,収束を加速する新しい回帰クロスエントロピー(RCE)損失関数を定式化する。 従来のポーズ推定ネットワークと比較すると,FLOPの58%が減少し,精度が1.3%向上した。
  論文  参考訳（メタデータ） (2021-07-07T13:39:08Z)
• SIMPLE: SIngle-network with Mimicking and Point Learning for Bottom-up Human Pose Estimation [81.03485688525133]
  Single-network with Mimicking and Point Learning for Bottom-up Human Pose Estimation (SIMPLE) を提案する。 具体的には、トレーニングプロセスにおいて、SIMPLEが高性能なトップダウンパイプラインからのポーズ知識を模倣できるようにする。 さらに、SIMPLEは人間検出とポーズ推定を統一的なポイントラーニングフレームワークとして定式化し、単一ネットワークで相互に補完する。
  論文  参考訳（メタデータ） (2021-04-06T13:12:51Z)
• Confidence Adaptive Anytime Pixel-Level Recognition [86.75784498879354]
  任意の時間推論は、いつでも停止される可能性のある予測の進行を行うモデルを必要とする。 我々は,任意のピクセルレベルの認識に対して,最初の統一とエンドツーエンドのモデルアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-01T20:01:57Z)
• Deep Keypoint-Based Camera Pose Estimation with Geometric Constraints [80.60538408386016]
  連続するフレームから相対的なカメラのポーズを推定することは、視覚計測の基本的な問題である。 本稿では,検出,特徴抽出,マッチング,外乱除去のための学習可能なモジュールで構成されるエンドツーエンドのトレーニング可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-29T21:41:31Z)
• EfficientPose: Scalable single-person pose estimation [3.325625311163864]
  一人称ポーズ推定のための新しい畳み込みニューラルネットワークアーキテクチャであるEfficientPoseを提案する。 我々のトップパフォーマンスモデルは、低複雑さのConvNetを用いて、シングルパーソンMPIIにおける最先端の精度を実現する。 複雑さと効率が低いため、EfficientPoseはメモリフットプリントと計算コストを制限し、エッジデバイス上の現実世界のアプリケーションを可能にする。
  論文  参考訳（メタデータ） (2020-04-25T16:50:46Z)

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。