論文の概要: SMPR: Single-Stage Multi-Person Pose Regression

• arxiv url: http://arxiv.org/abs/2006.15576v2
• Date: Mon, 30 Nov 2020 15:57:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 02:53:16.089836
• Title: SMPR: Single-Stage Multi-Person Pose Regression
• Title（参考訳）: smpr: 単段多人数ポーズ回帰
• Authors: Junqi Lin, Huixin Miao, Junjie Cao, Zhixun Su, Risheng Liu
• Abstract要約: SMPRと呼ばれる新しいシングルステージ多人数ポーズレグレッションが提示される。 これは、密集した予測のパラダイムに従い、すべての場所からインスタンス対応キーポイントを予測する。 提案手法は,既存の単段法よりも優れているだけでなく,最新のボトムアップ法と競合することを示す。
• 参考スコア（独自算出の注目度）: 41.096103136666834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing multi-person pose estimators can be roughly divided into two-stage approaches (top-down and bottom-up approaches) and one-stage approaches. The two-stage methods either suffer high computational redundancy for additional person detectors or group keypoints heuristically after predicting all the instance-free keypoints. The recently proposed single-stage methods do not rely on the above two extra stages but have lower performance than the latest bottom-up approaches. In this work, a novel single-stage multi-person pose regression, termed SMPR, is presented. It follows the paradigm of dense prediction and predicts instance-aware keypoints from every location. Besides feature aggregation, we propose better strategies to define positive pose hypotheses for training which all play an important role in dense pose estimation. The network also learns the scores of estimated poses. The pose scoring strategy further improves the pose estimation performance by prioritizing superior poses during non-maximum suppression (NMS). We show that our method not only outperforms existing single-stage methods and but also be competitive with the latest bottom-up methods, with 70.2 AP and 77.5 AP75 on the COCO test-dev pose benchmark. Code is available at https://github.com/cmdi-dlut/SMPR.
• Abstract（参考訳）: 既存の多人数ポーズ推定器は、2段階のアプローチ(トップダウンとボトムアップ)と1段階のアプローチに大別できる。 2段階の手法は、追加の人物検出器に対する高い計算冗長性を被るか、全てのインスタンスフリーキーポイントを予測した後、ヒューリスティックにグループキーポイントを被る。 最近提案された単段法は、上記の2つの追加ステージに依存しないが、最新のボトムアップアプローチよりも低いパフォーマンスを持つ。 本研究では,SMPRと呼ばれる新しい一段階多人数ポーズレグレッションについて述べる。 これは密集予測のパラダイムに従い、すべての場所からインスタンス対応キーポイントを予測する。 特徴集合の他に,重み付けされたポーズ推定において重要な役割を果たす正のポーズ仮説を定義するためのより良い戦略を提案する。 ネットワークは推定されたポーズのスコアも学習する。 ポーズスコア戦略は、非最大抑制(NMS)時に優れたポーズを優先順位付けすることにより、ポーズ推定性能をさらに向上する。 提案手法は,既存の単段法に勝るだけでなく,COCOテストデブポーズベンチマークで70.2 APおよび77.5 AP75を用いて,最新のボトムアップ手法と競合することを示す。 コードはhttps://github.com/cmdi-dlut/SMPRで入手できる。

関連論文リスト

• PoseMatcher: One-shot 6D Object Pose Estimation by Deep Feature Matching [51.142988196855484]
  本稿では,PoseMatcherを提案する。 3ビューシステムに基づくオブジェクトと画像のマッチングのための新しいトレーニングパイプラインを作成します。 PoseMatcherは、画像とポイントクラウドの異なる入力モダリティに対応できるように、IO-Layerを導入します。
  論文  参考訳（メタデータ） (2023-04-03T21:14:59Z)
• 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)
• Bottom-Up 2D Pose Estimation via Dual Anatomical Centers for Small-Scale Persons [75.86463396561744]
  マルチパーソン2Dポーズ推定では、ボトムアップ手法は同時にすべての人のポーズを予測する。 本手法は,バウンディングボックス精度を38.4%改善し,バウンディングボックスリコールを39.1%改善した。 ヒトのポーズAP評価では,COCOテストデフセット上で新しいSOTA(71.0 AP)を単一スケールテストで達成する。
  論文  参考訳（メタデータ） (2022-08-25T10:09:10Z)
• YOLO-Pose: Enhancing YOLO for Multi Person Pose Estimation Using Object Keypoint Similarity Loss [1.3381749415517017]
  YOLO-poseは関節検出と2次元多人数ポーズ推定のための新しいヒートマップのないアプローチである。 私たちのフレームワークは、モデルのエンドツーエンドのトレーニングを可能にし、オブジェクトキーポイント類似度(OKS)メトリクス自体を最適化します。 YOLO-poseはCOCO検証(90.2% AP50)とテストデフセット(90.3% AP50)の新たな最先端結果を達成する
  論文  参考訳（メタデータ） (2022-04-14T08:02:40Z)
• 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)
• InsPose: Instance-Aware Networks for Single-Stage Multi-Person Pose Estimation [37.80984212500406]
  本稿では,インスタンス認識型動的ネットワークを用いて,シンプルで効果的な解を提案する。 具体的には、各インスタンスのネットワークパラメータを適応的に(一部)調整するインスタンス対応モジュールを提案する。 我々のソリューションは、コンパクトなエンドツーエンドのトレーニング可能なパイプラインを維持しながら、様々なポーズを認識するためのネットワークの容量と適応性を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-07-19T15:56:09Z)
• 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)
• Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
  2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。 まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。 第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2021-01-20T11:48:12Z)

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。