論文の概要: Active Learning for Bayesian 3D Hand Pose Estimation
- arxiv url: http://arxiv.org/abs/2010.00694v2
- Date: Sun, 21 Feb 2021 04:56:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 07:51:54.060957
- Title: Active Learning for Bayesian 3D Hand Pose Estimation
- Title(参考訳): ベイジアン3次元ハンドポース推定のためのアクティブラーニング
- Authors: Razvan Caramalau, Binod Bhattarai, Tae-Kyun Kim
- Abstract要約: 本稿では3次元ポーズ推定のためのディープラーニングアーキテクチャに対するベイズ近似を提案する。
この枠組みを通じて、データや学習能力に影響される2種類の不確実性を調査し、分析する。
- 参考スコア(独自算出の注目度): 53.99104862192055
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a Bayesian approximation to a deep learning architecture for 3D
hand pose estimation. Through this framework, we explore and analyse the two
types of uncertainties that are influenced either by data or by the learning
capability. Furthermore, we draw comparisons against the standard estimator
over three popular benchmarks. The first contribution lies in outperforming the
baseline while in the second part we address the active learning application.
We also show that with a newly proposed acquisition function, our Bayesian 3D
hand pose estimator obtains lowest errors with the least amount of data. The
underlying code is publicly available at
https://github.com/razvancaramalau/al_bhpe.
- Abstract(参考訳): 本稿では3次元ポーズ推定のためのディープラーニングアーキテクチャに対するベイズ近似を提案する。
この枠組みを通じて、データや学習能力に影響される2種類の不確実性を調査し、分析する。
さらに,3つのベンチマークに対して標準推定器との比較を行った。
第1のコントリビューションはベースラインを上回り、第2のパートではアクティブな学習アプリケーションに対処します。
また,新たに提案した取得関数により,ベイジアンハンドポーズ推定器が最小データ量で最小誤差を求めることを示す。
基礎となるコードはhttps://github.com/razvancaramalau/al_bhpeで公開されている。
関連論文リスト
- Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
3Dセグメンテーションはコンピュータビジョンの中核的な問題である。
完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。
半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
論文 参考訳(メタデータ) (2024-09-12T14:54:31Z) - RadOcc: Learning Cross-Modality Occupancy Knowledge through Rendering
Assisted Distillation [50.35403070279804]
マルチビュー画像を用いた3次元シーンの占有状況とセマンティクスを推定することを目的とした,新たな課題である3D占有予測手法を提案する。
本稿では,RandOccを提案する。Rendering Assisted distillation paradigm for 3D Occupancy prediction。
論文 参考訳(メタデータ) (2023-12-19T03:39:56Z) - CheckerPose: Progressive Dense Keypoint Localization for Object Pose
Estimation with Graph Neural Network [66.24726878647543]
単一のRGB画像から固い物体の6-DoFのポーズを推定することは、非常に難しい課題である。
近年の研究では、高密度対応型解の大きな可能性を示している。
そこで本研究では,CheckerPoseというポーズ推定アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-03-29T17:30:53Z) - SpyroPose: SE(3) Pyramids for Object Pose Distribution Estimation [4.8342038441006805]
本稿では,SE(3)に基づくポーズ分布推定手法を提案する。
階層格子,ピラミッドを用いて,訓練中に効率よく重要度を抽出し,推論時のピラミッドのスパース評価を行う。
提案手法は,SO(3)の最先端手法よりも優れており,その知識を最大限活用するために,SE(3)のポーズ分布推定に関する最初の定量的結果を提供する。
論文 参考訳(メタデータ) (2023-03-09T14:58:01Z) - VL4Pose: Active Learning Through Out-Of-Distribution Detection For Pose
Estimation [79.50280069412847]
VL4Poseは、分布外検出によるアクティブな学習のための第一原理的アプローチである。
我々の解は、最大推定により訓練された単純なパラメトリックベイズネットワークを介してポーズをモデル化することを含む。
我々はMPII, LSP, ICVLの3つのデータセットに対して定性的かつ定量的な実験を行い, 人手ポーズ推定を行った。
論文 参考訳(メタデータ) (2022-10-12T09:03:55Z) - SurfEmb: Dense and Continuous Correspondence Distributions for Object
Pose Estimation with Learnt Surface Embeddings [2.534402217750793]
データから物体表面上の密度の連続した2D-3D対応分布を学習する手法を提案する。
また,学習した分布を用いた剛体物体の6次元ポーズ推定手法を提案する。
論文 参考訳(メタデータ) (2021-11-26T13:39:38Z) - Semi-supervised 3D Hand-Object Pose Estimation via Pose Dictionary
Learning [27.78922896432688]
現在の手動ポーズ推定法は,高価で労働集約的な詳細な3Dラベルを必要とする。
そこで本研究では,ポーズ辞書学習とオブジェクト指向座標系という2つの重要な手法を用いて,半教師付き3次元手動ポーズ推定手法を提案する。
本手法は,ラベル付きデータを用いた場合と比較して,手・対象物に対する推定誤差を19.5%/24.9%削減する。
論文 参考訳(メタデータ) (2021-07-16T02:50:17Z) - Deep Optimized Priors for 3D Shape Modeling and Reconstruction [38.79018852887249]
3Dモデリングと再構築のための新しい学習フレームワークを紹介します。
提案手法は,事前訓練によって制約された障壁を効果的に破壊することを示す。
論文 参考訳(メタデータ) (2020-12-14T03:56:31Z) - Bridging the Reality Gap for Pose Estimation Networks using Sensor-Based
Domain Randomization [1.4290119665435117]
合成データに基づいて訓練された手法は、2Dの領域ランダム化をより発展させるため、2D画像を使用する。
提案手法では,3次元データをネットワークに統合し,ポーズ推定の精度を高める。
3つの大規模ポーズ推定ベンチマーク実験により, 提案手法は, 合成データを用いた従来手法よりも優れていたことがわかった。
論文 参考訳(メタデータ) (2020-11-17T09:12:11Z) - Fast Uncertainty Quantification for Deep Object Pose Estimation [91.09217713805337]
深層学習に基づくオブジェクトポーズ推定は、しばしば信頼できない、自信過剰である。
本研究では,6-DoFオブジェクトのポーズ推定のための,シンプルで効率的かつプラグアンドプレイなUQ手法を提案する。
論文 参考訳(メタデータ) (2020-11-16T06:51:55Z)
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。