論文の概要: Differentiable Hierarchical Graph Grouping for Multi-Person Pose Estimation

• arxiv url: http://arxiv.org/abs/2007.11864v1
• Date: Thu, 23 Jul 2020 08:46:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 12:40:03.045446
• Title: Differentiable Hierarchical Graph Grouping for Multi-Person Pose Estimation
• Title（参考訳）: 多人数ポーズ推定のための微分可能階層グラフグルーピング
• Authors: Sheng Jin, Wentao Liu, Enze Xie, Wenhai Wang, Chen Qian, Wanli Ouyang, Ping Luo
• Abstract要約: 複数の人の身体のキーポイントを同時にローカライズするため、複数の人物のポーズ推定は困難である。 ボトムアップ型多人数ポーズ推定タスクにおけるグラフグループ化を学習するための,新しい微分可能な階層グラフグループ化(HGG)手法を提案する。
• 参考スコア（独自算出の注目度）: 95.72606536493548
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-person pose estimation is challenging because it localizes body keypoints for multiple persons simultaneously. Previous methods can be divided into two streams, i.e. top-down and bottom-up methods. The top-down methods localize keypoints after human detection, while the bottom-up methods localize keypoints directly and then cluster/group them for different persons, which are generally more efficient than top-down methods. However, in existing bottom-up methods, the keypoint grouping is usually solved independently from keypoint detection, making them not end-to-end trainable and have sub-optimal performance. In this paper, we investigate a new perspective of human part grouping and reformulate it as a graph clustering task. Especially, we propose a novel differentiable Hierarchical Graph Grouping (HGG) method to learn the graph grouping in bottom-up multi-person pose estimation task. Moreover, HGG is easily embedded into main-stream bottom-up methods. It takes human keypoint candidates as graph nodes and clusters keypoints in a multi-layer graph neural network model. The modules of HGG can be trained end-to-end with the keypoint detection network and is able to supervise the grouping process in a hierarchical manner. To improve the discrimination of the clustering, we add a set of edge discriminators and macro-node discriminators. Extensive experiments on both COCO and OCHuman datasets demonstrate that the proposed method improves the performance of bottom-up pose estimation methods.
• Abstract（参考訳）: 多人数のポーズ推定は、複数の人の身体的キーポイントを同時にローカライズするため、難しい。 以前のメソッドは、トップダウンとボトムアップの2つのストリームに分割される。 トップダウンメソッドは人間の検出後にキーポイントをローカライズし、ボトムアップメソッドはキーポイントを直接ローカライズし、それらを異なる人向けにクラスタ/グループ化する。 しかし、既存のボトムアップ手法では、キーポイントグループ化は通常キーポイント検出とは独立して解決され、エンドツーエンドのトレーニングができず、準最適性能を有する。 本稿では,人間の部分グループ化の新しい視点を調査し,それをグラフクラスタリングタスクとして再構成する。 特に,ボトムアップ型多人数ポーズ推定タスクにおいて,グラフグループ化を学習するための新しい微分可能階層グラフグループ(HGG)手法を提案する。 さらに、HGGはメインストリームのボトムアップメソッドに簡単に埋め込まれる。 多層グラフニューラルネットワークモデルでは、人間のキーポイント候補をグラフノードやクラスタキーポイントとして扱う。 HGGのモジュールはキーポイント検出ネットワークでエンドツーエンドにトレーニングすることができ、階層的な方法でグループ化プロセスを監視できる。 クラスタリングの識別を改善するために,エッジ判別器とマクロノード判別器のセットを追加する。 cocoおよびochumanデータセットの広範な実験により,提案手法がボトムアップポーズ推定法の性能を向上できることが示されている。

関連論文リスト

• Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
  本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。 提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。 フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
  論文  参考訳（メタデータ） (2023-08-13T18:12:28Z)
• DeepCut: Unsupervised Segmentation using Graph Neural Networks Clustering [6.447863458841379]
  本研究では,従来のクラスタリング手法を置き換える軽量グラフニューラルネットワーク(GNN)を提案する。 既存の手法とは異なり、GNNはローカル画像特徴と生特徴とのペアワイズ親和性の両方を入力として取ります。 画像セグメンテーションGNNを訓練するための自己教師付き損失関数として,古典的クラスタリングの目的を定式化する方法を実証する。
  論文  参考訳（メタデータ） (2022-12-12T12:31:46Z)
• Learning Heuristics for the Maximum Clique Enumeration Problem Using Low Dimensional Representations [0.0]
  本稿では,最大列挙問題の傾きを低減するために,入力グラフのプルーニング処理に学習フレームワークを用いる。 本手法の性能評価において,異なる頂点表現を用いることが果たす役割について検討する。 分類過程において局所的なグラフ特徴を用いることで,特徴の除去過程と組み合わせることで,より正確な結果が得られることが観察された。
  論文  参考訳（メタデータ） (2022-10-30T22:04:32Z)
• Learning Spatial Context with Graph Neural Network for Multi-Person Pose Grouping [71.59494156155309]
  イメージベース多人数ポーズ推定のためのボトムアップ手法は,キーポイント検出とグループ化の2段階からなる。 本研究では,グラフ分割問題としてグループ化タスクを定式化し,グラフニューラルネットワーク(gnn)を用いて親和性行列を学習する。 学習された幾何学に基づく親和性は、強固なキーポイント結合を達成するために外観に基づく親和性とさらに融合する。
  論文  参考訳（メタデータ） (2021-04-06T09:21:14Z)
• Differentiable Multi-Granularity Human Representation Learning for Instance-Aware Human Semantic Parsing [131.97475877877608]
  カテゴリーレベルの人間のセマンティックセグメンテーションとマルチパーソンポーズ推定を共同およびエンドツーエンドで学習するために,新たなボトムアップ方式を提案する。 さまざまな人間の粒度にわたって構造情報を利用する、コンパクトで効率的で強力なフレームワークです。 3つのインスタンス認識型ヒューマンデータセットの実験は、我々のモデルがより効率的な推論で他のボトムアップの代替案よりも優れていることを示している。
  論文  参考訳（メタデータ） (2021-03-08T06:55:00Z)
• Structured Graph Learning for Scalable Subspace Clustering: From Single-view to Multi-view [28.779909990410978]
  グラフベースのサブスペースクラスタリング手法は有望な性能を示した。 コストのかかる時間のオーバーヘッドに遭遇し、明示的なクラスタの探索に失敗し、見えないデータポイントに一般化することはできません。 上記の3つの課題を同時に解決しようとする,スケーラブルなグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-16T03:46:11Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
  重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。 提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
  論文  参考訳（メタデータ） (2020-04-01T13:39:37Z)

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。