Fugu-MT 論文翻訳(概要): Deep Patch-based Human Segmentation

論文の概要: Deep Patch-based Human Segmentation

arxiv url: http://arxiv.org/abs/2007.05661v1
Date: Sat, 11 Jul 2020 01:51:23 GMT
ステータス: 処理完了
システム内更新日: 2022-11-11 13:45:09.762244
Title: Deep Patch-based Human Segmentation
Title（参考訳）: 深部パッチに基づくヒトセグメンテーション
Authors: Dongbo Zhang, Zheng Fang, Xuequan Lu, Hong Qin, Antonio Robles-Kelly, Chao Zhang, Ying He
Abstract要約: 本稿では,3次元人間のセグメンテーションのためのディープパッチベースの手法を提案する。形状記述子を2次元グリッドに埋め込み、強力な2次元コンボリューショナルニューラルネットワークに入力する。実験により,本手法は非人間的セグメンテーションの有効性を示し,最先端の精度を実現する。
参考スコア（独自算出の注目度）: 40.255891213735126
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: 3D human segmentation has seen noticeable progress in re-cent years. It, however, still remains a challenge to date. In this paper, weintroduce a deep patch-based method for 3D human segmentation. Wefirst extract a local surface patch for each vertex and then parameterizeit into a 2D grid (or image). We then embed identified shape descriptorsinto the 2D grids which are further fed into the powerful 2D Convolu-tional Neural Network for regressing corresponding semantic labels (e.g.,head, torso). Experiments demonstrate that our method is effective inhuman segmentation, and achieves state-of-the-art accuracy.
Abstract（参考訳）: 3D人間のセグメンテーションは、近年顕著な進歩を遂げている。しかし、それでもまだ課題は残っている。本稿では,3次元ヒトセグメンテーションのための深いパッチベース手法を提案する。まず、頂点ごとに局所的な表面パッチを抽出し、2Dグリッド(または画像)にパラメータ化します。次に、2dグリッドに識別された形状記述子を埋め込み、対応する意味ラベル(例えばhead, torso)をレグレッションする強力な2d畳み込みニューラルネットワークにさらに供給する。実験により,本手法は非人間的セグメンテーションの有効性を示し,最先端の精度を実現する。

関連論文リスト

CutS3D: Cutting Semantics in 3D for 2D Unsupervised Instance Segmentation [13.871856894814005]
我々は,シーンのポイントクラウド表現を利用して,最後の2Dインスタンスを得るために,3次元のセマンティックマスクをカットすることを提案する。また,クリーンな学習信号の分離を目的とした3つの空間信頼成分を用いたクラス非依存検出器のトレーニングの強化も提案する。
論文参考訳（メタデータ） (2024-11-25T12:11:27Z)
FAMOUS: High-Fidelity Monocular 3D Human Digitization Using View Synthesis [51.193297565630886]
テクスチャを正確に推測することの難しさは、特に正面視画像の人物の背中のような不明瞭な領域に残る。このテクスチャ予測の制限は、大規模で多様な3Dデータセットの不足に起因する。本稿では,3次元デジタル化におけるテクスチャと形状予測の両立を図るために,広範囲な2次元ファッションデータセットを活用することを提案する。
論文参考訳（メタデータ） (2024-10-13T01:25:05Z)
Augmented Efficiency: Reducing Memory Footprint and Accelerating Inference for 3D Semantic Segmentation through Hybrid Vision [9.96433151449016]
本稿では,2次元と3次元のコンピュータビジョン技術を組み合わせた3次元セマンティックセグメンテーションの新たなアプローチを提案する。我々は3次元点雲にリンクしたRGB画像に対して2Dセマンティックセマンティックセマンティックセマンティクスを行い、その結果をクラスラベルの押出手法を用いて3Dに拡張する。このモデルは、KITTI-360データセット上の最先端の3Dセマンティックセマンティックセグメンテーションモデルとして機能する。
論文参考訳（メタデータ） (2024-07-23T00:04:10Z)
SAM-guided Graph Cut for 3D Instance Segmentation [60.75119991853605]
本稿では,3次元画像情報と多視点画像情報の同時利用による3次元インスタンス分割の課題に対処する。本稿では,3次元インスタンスセグメンテーションのための2次元セグメンテーションモデルを効果的に活用する新しい3D-to-2Dクエリフレームワークを提案する。本手法は,ロバストなセグメンテーション性能を実現し,異なるタイプのシーンにまたがる一般化を実現する。
論文参考訳（メタデータ） (2023-12-13T18:59:58Z)
Sampling is Matter: Point-guided 3D Human Mesh Reconstruction [0.0]
本稿では,1枚のRGB画像から3次元メッシュ再構成を行うための簡易かつ強力な手法を提案する。評価実験の結果,提案手法は3次元メッシュ再構成の性能を効率よく向上することが示された。
論文参考訳（メタデータ） (2023-04-19T08:45:26Z)
MvDeCor: Multi-view Dense Correspondence Learning for Fine-grained 3D Segmentation [91.6658845016214]
そこで本研究では,2次元領域における自己教師型手法を,微細な3次元形状分割作業に活用することを提案する。複数のビューから3次元形状を描画し、コントラスト学習フレームワーク内に密接な対応学習タスクを設置する。その結果、学習された2次元表現はビュー不変であり、幾何学的に一貫性がある。
論文参考訳（メタデータ） (2022-08-18T00:48:15Z)
Tracking People with 3D Representations [78.97070307547283]
ビデオ中の複数の人物を追跡する新しい手法を提案する。従来の2次元表現を用いたアプローチとは違って,3次元空間における人物の3次元表現を用いる。これらの環境下での3次元表現は2次元表現よりも効果的であることがわかった。
論文参考訳（メタデータ） (2021-11-15T16:15:21Z)
Weakly-supervised Cross-view 3D Human Pose Estimation [16.045255544594625]
弱教師付きクロスビュー3次元ポーズ推定のための簡易かつ効果的なパイプラインを提案する。本手法は,最先端の性能を弱い教師付きで達成することができる。本手法を標準ベンチマークデータセットHuman3.6Mで評価する。
論文参考訳（メタデータ） (2021-05-23T08:16:25Z)
3D Guided Weakly Supervised Semantic Segmentation [27.269847900950943]
本稿では,スパース境界ボックスラベルを利用可能な3次元情報に組み込むことにより,弱教師付き2次元セマンティックセマンティックセマンティックセマンティクスモデルを提案する。手動で2D-3Dセマンティックス(2D-3D-S)データセットのサブセットにバウンディングボックスをラベル付けし、2D-3D推論モジュールを導入し、正確なピクセルワイドセグメント提案マスクを生成する。
論文参考訳（メタデータ） (2020-12-01T03:34:15Z)
Pose2Mesh: Graph Convolutional Network for 3D Human Pose and Mesh Recovery from a 2D Human Pose [70.23652933572647]
本稿では,人間のメッシュ頂点の3次元座標を直接推定するグラフ畳み込みニューラルネットワーク(GraphCNN)を提案する。我々のPose2Meshは、様々なベンチマークデータセットにおいて、以前の3次元人間のポーズとメッシュ推定方法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-08-20T16:01:56Z)

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。