論文の概要: An Adversarial Human Pose Estimation Network Injected with Graph Structure

• arxiv url: http://arxiv.org/abs/2103.15534v1
• Date: Mon, 29 Mar 2021 12:07:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-31 00:26:18.452085
• Title: An Adversarial Human Pose Estimation Network Injected with Graph Structure
• Title（参考訳）: グラフ構造を注入した対向的人物ポーズ推定ネットワーク
• Authors: Lei Tian, Guoqiang Liang, Peng Wang, Chunhua Shen
• Abstract要約: 本稿では,いくつかの関節が見えない場合に,可視関節の局所化精度を向上させるために,新しいGAN(Generative Adversarial Network)を設計する。 ネットワークは、2つのシンプルで効率的なモジュール、カスケード機能ネットワーク(CFN)とグラフ構造ネットワーク(GSN)で構成されています。
• 参考スコア（独自算出の注目度）: 75.08618278188209
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Because of the invisible human keypoints in images caused by illumination, occlusion and overlap, it is likely to produce unreasonable human pose prediction for most of the current human pose estimation methods. In this paper, we design a novel generative adversarial network (GAN) to improve the localization accuracy of visible joints when some joints are invisible. The network consists of two simple but efficient modules, Cascade Feature Network (CFN) and Graph Structure Network (GSN). First, the CFN utilizes the prediction maps from the previous stages to guide the prediction maps in the next stage to produce accurate human pose. Second, the GSN is designed to contribute to the localization of invisible joints by passing message among different joints. According to GAN, if the prediction pose produced by the generator G cannot be distinguished by the discriminator D, the generator network G has successfully obtained the underlying dependence of human joints. We conduct experiments on three widely used human pose estimation benchmark datasets, LSP, MPII and COCO, whose results show the effectiveness of our proposed framework.
• Abstract（参考訳）: 照明やオクルージョン、重なり合いによる画像の人間のキーポイントが見えないため、現在の人間のポーズ推定手法のほとんどに対して不合理な人間のポーズ予測が生じる可能性が高い。 本稿では,いくつかの関節が見えない場合に,可視関節の局所化精度を向上させるために,新しいGAN(Generative Adversarial Network)を設計する。 このネットワークは2つの単純だが効率的なモジュール、カスケード特徴ネットワーク(CFN)とグラフ構造ネットワーク(GSN)で構成されている。 まず、cfnは、前段からの予測マップを使用して、次の段の予測マップをガイドし、正確な人間のポーズを生成する。 第2に、GSNは異なる関節間でメッセージを送ることによって、見えない関節の局所化に寄与するように設計されている。 GANによると、ジェネレータGが生成した予測ポーズを判別器Dで区別できない場合、ジェネレータネットワークGは、人間の関節の基盤となる依存性を正常に取得する。 提案手法の有効性を示すlsp,mpii,cocoの3つの人格推定ベンチマークデータセットについて実験を行った。

関連論文リスト

• Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
  本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。 ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。 本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2022-03-29T07:14:58Z)
• Joint-bone Fusion Graph Convolutional Network for Semi-supervised Skeleton Action Recognition [65.78703941973183]
  本稿では,CD-JBF-GCNをエンコーダとし,ポーズ予測ヘッドをデコーダとして使用する新しい相関駆動型ジョイントボーン・フュージョングラフ畳み込みネットワークを提案する。 具体的には、CD-JBF-GCは、関節ストリームと骨ストリームの間の運動伝達を探索することができる。 自己教師型トレーニング段階におけるポーズ予測に基づくオートエンコーダにより、未ラベルデータから動作表現を学習することができる。
  論文  参考訳（メタデータ） (2022-02-08T16:03:15Z)
• MSR-GCN: Multi-Scale Residual Graph Convolution Networks for Human Motion Prediction [34.565986275769745]
  本稿では,人間のポーズ予測のためのマルチスケール残差グラフ畳み込みネットワーク(MSR-GCN)を提案する。 提案手法は、Human3.6MデータセットとCMU Mocapデータセットの2つの標準ベンチマークデータセットで評価される。
  論文  参考訳（メタデータ） (2021-08-16T15:26:23Z)
• Conditional Directed Graph Convolution for 3D Human Pose Estimation [23.376538132362498]
  グラフ畳み込みネットワークは、人間の骨格を非方向グラフとして表現することで、人間のポーズ推定を大幅に改善した。 本稿では,人間の骨格をノードとして,骨を親関節から子関節へ向けたエッジとして有向グラフとして表現することを提案する。
  論文  参考訳（メタデータ） (2021-07-16T09:50:40Z)
• GPRAR: Graph Convolutional Network based Pose Reconstruction and Action Recognition for Human Trajectory Prediction [1.2891210250935146]
  既存の予測モデルは、観察がしばしば騒がしい現実世界の設定でエラーを起こしやすい。 GPRARは、人間の軌道予測のためのグラフ畳み込みネットワークベースのポーズ再構築とアクション認識です。 JAADおよびTITANデータセットのノイズ観測により,GPRARは予測精度を最大22%,50%向上させることを示した。
  論文  参考訳（メタデータ） (2021-03-25T20:12:14Z)
• On the spatial attention in Spatio-Temporal Graph Convolutional Networks for skeleton-based human action recognition [97.14064057840089]
  カルチャーネットワーク(GCN)は、スケルトンをグラフとしてモデル化することで、スケルトンに基づく人間の行動認識の性能を約束する。 最近提案されたG時間に基づく手法のほとんどは、ネットワークの各層におけるグラフ構造を学習することで、性能を向上させる。
  論文  参考訳（メタデータ） (2020-11-07T19:03:04Z)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)
• Appearance Consensus Driven Self-Supervised Human Mesh Recovery [67.20942777949793]
  単眼画像から人間のポーズや形状を推定する自己教師付きメッシュ回復フレームワークを提案する。 標準モデルに基づく3次元ポーズ推定ベンチマークの最先端結果を得る。 その結果、色付きメッシュ予測により、ポーズや形状推定以外にも、さまざまな外観関連タスクにフレームワークの使用が開放される。
  論文  参考訳（メタデータ） (2020-08-04T05:40:39Z)
• 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)
• Feedback Graph Convolutional Network for Skeleton-based Action Recognition [38.782491442635205]
  フィードバックグラフ畳み込みネットワーク(FGCN)という新しいネットワークを提案する。 これは、GCNとアクション認識にフィードバックメカニズムを導入する最初の作業である。 3つのデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-03-17T07:20:47Z)

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。