論文の概要: Bottom-Up Human Pose Estimation by Ranking Heatmap-Guided Adaptive Keypoint Estimates

• arxiv url: http://arxiv.org/abs/2006.15480v1
• Date: Sun, 28 Jun 2020 01:14:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 02:31:31.921796
• Title: Bottom-Up Human Pose Estimation by Ranking Heatmap-Guided Adaptive Keypoint Estimates
• Title（参考訳）: ヒートマップ誘導型適応キーポイント推定によるボトムアップ人間のポーズ推定
• Authors: Ke Sun, Zigang Geng, Depu Meng, Bin Xiao, Dong Liu, Zhaoxiang Zhang, Jingdong Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 76.51095823248104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The typical bottom-up human pose estimation framework includes two stages, keypoint detection and grouping. Most existing works focus on developing grouping algorithms, e.g., associative embedding, and pixel-wise keypoint regression that we adopt in our approach. We present several schemes that are rarely or unthoroughly studied before for improving keypoint detection and grouping (keypoint regression) performance. First, we exploit the keypoint heatmaps for pixel-wise keypoint regression instead of separating them for improving keypoint regression. Second, we adopt a pixel-wise spatial transformer network to learn adaptive representations for handling the scale and orientation variance to further improve keypoint regression quality. Last, we present a joint shape and heatvalue scoring scheme to promote the estimated poses that are more likely to be true poses. Together with the tradeoff heatmap estimation loss for balancing the background and keypoint pixels and thus improving heatmap estimation quality, we get the state-of-the-art bottom-up human pose estimation result. Code is available at https://github.com/HRNet/HRNet-Bottom-up-Pose-Estimation.
• Abstract（参考訳）: 典型的なボトムアップヒューマンポーズ推定フレームワークは、キーポイント検出とグループ化の2段階を含む。 既存の研究の多くは、アソシエーション埋め込みや、我々のアプローチで採用している画素単位のキーポイント回帰といったグループ化アルゴリズムの開発に重点を置いている。 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,これまで研究されてきた手法をいくつか提示する。 まず,キーポイント回帰を改善するために,画素単位のキーポイント回帰にキーポイントヒートマップを利用する。 第2に,画素単位の空間的トランスフォーマネットワークを用いて,スケールと方向のばらつきを扱う適応表現を学習し,キーポイント回帰品質をさらに向上させる。 最後に,実際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,関節形状と熱値評価手法を提案する。 背景画素とキーポイント画素のバランスをとるためのトレードオフヒートマップ推定損失と合わせて,最新のボトムアップ人間のポーズ推定結果を得る。 コードはhttps://github.com/HRNet/HRNet-Bottom-up-Pose-Estimationで公開されている。

関連論文リスト

• Hybrid model for Single-Stage Multi-Person Pose Estimation [3.592448408054345]
  そこで本研究では,HybridPoseという,単段階多人数ポーズ推定のためのハイブリッドモデルを提案する。 密に配置されたキーポイントを検出するだけでなく、画像内の存在しないキーポイントをフィルタリングすることもできる。
  論文  参考訳（メタデータ） (2023-05-02T02:55:29Z)
• Poseur: Direct Human Pose Regression with Transformers [119.79232258661995]
  単一画像からの2次元人間のポーズ推定に対する直接回帰に基づくアプローチを提案する。 私たちのフレームワークはエンドツーエンドの差別化が可能で、キーポイント間の依存関係を自然に活用することを学びます。 我々のアプローチは、最も優れたヒートマップベースのポーズ推定手法と比較して好意的に機能する最初の回帰ベースのアプローチである。
  論文  参考訳（メタデータ） (2022-01-19T04:31:57Z)
• Improving Robustness for Pose Estimation via Stable Heatmap Regression [19.108116394510258]
  ネットワーク脆弱性を小さな摂動に緩和するヒートマップ回帰法を提案する。 最適化の難易度を簡略化するために、最大安定性トレーニング損失を使用する。 提案手法は,2つのベンチマークデータセットに対する最先端アプローチに対するロバスト性を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-05-08T03:07:05Z)
• Bottom-Up Human Pose Estimation Via Disentangled Keypoint Regression [81.05772887221333]
  従来のキーポイント検出およびグループ化フレームワークに劣る密度の高いキーポイント回帰フレームワークについて検討する。 我々は,dekr(disentangled keypoint regression)という,単純かつ効果的な手法を提案する。 提案手法はキーポイント検出法やグループ化法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-06T05:54:46Z)
• Rethinking the Heatmap Regression for Bottom-up Human Pose Estimation [63.623787834984206]
  本稿では,各キーポイントの標準偏差を適応的に調整できるスケール適応型ヒートマップ回帰(SAHR)法を提案する。 SAHRは、前景サンプル間の不均衡を悪化させ、SAHRの改善を損なう可能性がある。 また,重量適応型ヒートマップ回帰(WAHR)を導入し,背景試料のバランスをとる。
  論文  参考訳（メタデータ） (2020-12-30T14:39:41Z)
• 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)
• Point-Set Anchors for Object Detection, Instance Segmentation and Pose Estimation [85.96410825961966]
  中心点から抽出された画像の特徴は、離れたキーポイントや境界ボックスの境界を予測するための限られた情報を含んでいると論じる。 推論を容易にするために,より有利な位置に配置された点集合からの回帰を行うことを提案する。 我々は、オブジェクト検出、インスタンス分割、人間のポーズ推定にPoint-Set Anchorsと呼ばれるこのフレームワークを適用した。
  論文  参考訳（メタデータ） (2020-07-06T15:59:56Z)

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。