論文の概要: Efficient Human Pose Estimation with Depthwise Separable Convolution and Person Centroid Guided Joint Grouping

• arxiv url: http://arxiv.org/abs/2012.03316v1
• Date: Sun, 6 Dec 2020 16:39:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-21 13:56:41.947608
• Title: Efficient Human Pose Estimation with Depthwise Separable Convolution and Person Centroid Guided Joint Grouping
• Title（参考訳）: Depthwise Disparable Convolution と Person Centroid Guided Joint Grouping を用いた効率的な人物姿勢推定
• Authors: Jie Ou and Hong Wu
• Abstract要約: 本研究では,2次元ポーズ推定のための効率的かつ効果的な手法を提案する。 ResBlockは、深い分離可能な畳み込みに基づいて提案され、Hourglassネットワークのオリジナルのものの代わりに利用される。 そこで本研究では,ボトムアップ型多人数ポーズ推定手法を提案する。
• 参考スコア（独自算出の注目度）: 3.8073142980733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose efficient and effective methods for 2D human pose estimation. A new ResBlock is proposed based on depthwise separable convolution and is utilized instead of the original one in Hourglass network. It can be further enhanced by replacing the vanilla depthwise convolution with a mixed depthwise convolution. Based on it, we propose a bottom-up multi-person pose estimation method. A rooted tree is used to represent human pose by introducing person centroid as the root which connects to all body joints directly or hierarchically. Two branches of sub-networks are used to predict the centroids, body joints and their offsets to their parent nodes. Joints are grouped by tracing along their offsets to the closest centroids. Experimental results on the MPII human dataset and the LSP dataset show that both our single-person and multi-person pose estimation methods can achieve competitive accuracies with low computational costs.
• Abstract（参考訳）: 本稿では,2次元ポーズ推定のための効率的かつ効果的な手法を提案する。 新しいResBlockは、深い分離可能な畳み込みに基づいて提案され、Hourglassネットワークのオリジナルのものの代わりに利用される。 バニラの深さ方向の畳み込みを混合の深さ方向の畳み込みに置き換えることでさらに強化することができる。 そこで本研究ではボトムアップ多人数ポーズ推定法を提案する。 根付き木は、全ての身体関節に直接または階層的に接続する根として、人中心体を導入することによって人間のポーズを表現するために使用される。 サブネットワークの2つの分岐は、中心体、身体関節、親ノードへのオフセットを予測するために使用される。 関節はオフセットに沿って最寄りのセントロイドまで追跡することでグループ化される。 mpii human dataset と lsp dataset における実験結果から, 一人称と複数人称の両方のポーズ推定手法が, 計算コストの低い競争的アキュラティを実現できることが示された。

関連論文リスト

• 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)
• Explicit Occlusion Reasoning for Multi-person 3D Human Pose Estimation [33.86986028882488]
  咬合は, 咬合者の形状, 外観, 位置の変動が大きいため, 単眼多面体3次元ポーズ推定において大きな脅威となる。 既存のメソッドは、ポーズ先/制約、データ拡張、暗黙の推論でオクルージョンを処理しようとする。 本研究では、ボトムアップ型多人数ポーズ推定を大幅に改善する、このプロセスを明示的にモデル化する手法を開発した。
  論文  参考訳（メタデータ） (2022-07-29T22:12:50Z)
• Mutual Adaptive Reasoning for Monocular 3D Multi-Person Pose Estimation [45.06447187321217]
  既存のボトムアップ手法のほとんどは、カメラ中心の人間のポーズ推定を2つの無関係なサブタスクとして扱う。 両サブタスクの相互利益を利用する統一モデルを提案する。 私たちのモデルは、既存のボトムアップメソッドやトップダウンメソッドよりもはるかに高速に動作します。
  論文  参考訳（メタデータ） (2022-07-16T10:54:40Z)
• Direct Dense Pose Estimation [138.56533828316833]
  複雑な人間のポーズ推定は、RGB画像と人体の表面との密接な対応を学習する問題である。 従来より密集したポーズ推定手法は、すべてMask R-CNNフレームワークに基づいており、まず各人物のバウンディングボックスを識別しようとするトップダウン方式で動作している。 そこで我々は,DDP (Direct Dense Pose) という,高密度ポーズ推定問題の解法を提案する。
  論文  参考訳（メタデータ） (2022-04-04T06:14:38Z)
• Diverse Knowledge Distillation for End-to-End Person Search [81.4926655119318]
  人物検索は、画像ギャラリーから特定の人物をローカライズし識別することを目的としている。 最近の手法は2つのグループ、すなわち2段階とエンドツーエンドのアプローチに分類できる。 ボトルネックを解消するために、多様な知識蒸留を備えたシンプルで強力なエンドツーエンドネットワークを提案します。
  論文  参考訳（メタデータ） (2020-12-21T09:04:27Z)
• Multi-person 3D Pose Estimation in Crowded Scenes Based on Multi-View Geometry [62.29762409558553]
  マルチパーソナライズされた3次元ポーズ推定手法における特徴マッチングと深さ推定のコアは、エピポーラ制約である。 スパサーの群衆シーンにおけるこの定式化の良好なパフォーマンスにもかかわらず、その効果はより密集した群衆の状況下でしばしば挑戦される。 本稿では,マルチパーソン3次元ポーズ推定式から脱却し,群衆ポーズ推定として再編成する。
  論文  参考訳（メタデータ） (2020-07-21T17:59:36Z)
• HDNet: Human Depth Estimation for Multi-Person Camera-Space Localization [83.57863764231655]
  本稿では,根の絶対的局所化のためのエンドツーエンドフレームワークであるHuman Depth Estimation Network (HDNet)を提案する。 関節間の特徴伝達に骨格ベースのグラフニューラルネットワーク(GNN)を用いる。 我々は,2つのベンチマークデータセットを用いて,ルートジョイントローカライゼーションとルート相対的な3次元ポーズ推定タスクについて,HDNetの評価を行った。
  論文  参考訳（メタデータ） (2020-07-17T12:44:23Z)
• JUMPS: Joints Upsampling Method for Pose Sequences [0.0]
  我々は,GAN(Generative Adversarial Network)とエンコーダを組み合わせた深層生成モデルを構築した。 実験により, 付加関節の局所化精度は, 原位置推定値と平均的に一致していることがわかった。
  論文  参考訳（メタデータ） (2020-07-02T14:36:40Z)
• HEMlets PoSh: Learning Part-Centric Heatmap Triplets for 3D Human Pose and Shape Estimation [60.35776484235304]
  本研究は, 中間状態部分熱マップトリプレット(HEMlets)を導入し, 検出された2次元関節を三次元空間に持ち上げる不確実性に対処しようとするものである。 HEMletsは3つのジョイントヒートマップを使用して、各骨格体部に対するエンドジョイントの相対的な深さ情報を表す。 Convolutional Network (ConvNet) は、入力画像からHEMletを予測し、次にボリュームのジョイント・ヒートマップレグレッションを学習する。
  論文  参考訳（メタデータ） (2020-03-10T04:03:45Z)

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。