論文の概要: When Human Pose Estimation Meets Robustness: Adversarial Algorithms and
Benchmarks
- arxiv url: http://arxiv.org/abs/2105.06152v1
- Date: Thu, 13 May 2021 09:09:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-14 13:58:37.547381
- Title: When Human Pose Estimation Meets Robustness: Adversarial Algorithms and
Benchmarks
- Title(参考訳): 人間のポーズ推定がロバスト性を満たすとき - 逆アルゴリズムとベンチマーク
- Authors: Jiahang Wang, Sheng Jin, Wentao Liu, Weizhong Liu, Chen Qian, Ping Luo
- Abstract要約: 本研究は,最新のポーズ推定器の弱点を調査し,advmixと呼ばれる新しいアルゴリズムを提案する。
Adrial Augmentationには、2つのニューラルネットワークモジュールが含まれています。
クリーンポーズ構造知識をターゲットポーズ推定器に転送するために知識蒸留を適用する。
- 参考スコア(独自算出の注目度): 29.534888197355727
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human pose estimation is a fundamental yet challenging task in computer
vision, which aims at localizing human anatomical keypoints. However, unlike
human vision that is robust to various data corruptions such as blur and
pixelation, current pose estimators are easily confused by these corruptions.
This work comprehensively studies and addresses this problem by building
rigorous robust benchmarks, termed COCO-C, MPII-C, and OCHuman-C, to evaluate
the weaknesses of current advanced pose estimators, and a new algorithm termed
AdvMix is proposed to improve their robustness in different corruptions. Our
work has several unique benefits. (1) AdvMix is model-agnostic and capable in a
wide-spectrum of pose estimation models. (2) AdvMix consists of adversarial
augmentation and knowledge distillation. Adversarial augmentation contains two
neural network modules that are trained jointly and competitively in an
adversarial manner, where a generator network mixes different corrupted images
to confuse a pose estimator, improving the robustness of the pose estimator by
learning from harder samples. To compensate for the noise patterns by
adversarial augmentation, knowledge distillation is applied to transfer clean
pose structure knowledge to the target pose estimator. (3) Extensive
experiments show that AdvMix significantly increases the robustness of pose
estimations across a wide range of corruptions, while maintaining accuracy on
clean data in various challenging benchmark datasets.
- Abstract(参考訳): 人間のポーズ推定は、人間の解剖学的キーポイントのローカライズを目的とした、コンピュータビジョンにおける基本的な課題である。
しかし、ぼかしやピクセル化のような様々なデータ破損に対して堅牢な人間のビジョンとは異なり、現在のポーズ推定器はこれらの腐敗によって容易に混乱する。
本研究は,現在の先進的なポーズ推定器の弱点を評価するために,coco-c,mpii-c,ochuman-cと呼ばれる厳密なロバストなベンチマークを構築し,この問題を包括的に研究し,解決する。
私たちの仕事はいくつかの独特な利点があります。
1)AdvMixはモデルに依存しず,ポーズ推定モデルの範囲が広い。
2)AdvMixは対向的な増量と知識蒸留からなる。
敵対的拡張は、2つのニューラルネットワークモジュールを共謀的に競合的に訓練し、生成ネットワークは異なる劣化した画像を混合してポーズ推定器を混乱させ、より厳しいサンプルから学習することでポーズ推定器の堅牢性を向上させる。
対向拡大によるノイズパターンの補償のために、クリーンポーズ構造知識を目標ポーズ推定器に転送するために知識蒸留を適用する。
(3)AdvMixは,さまざまなベンチマークデータセットにおいて,クリーンなデータの精度を維持しつつ,さまざまな汚職におけるポーズ推定の堅牢性を大幅に向上することを示した。
関連論文リスト
- Efficient, Self-Supervised Human Pose Estimation with Inductive Prior
Tuning [30.256493625913127]
復元品質と推定精度の関係を解析する。
トレーニングデータの3分の1以下を使用して,ベースラインよりも優れたモデルパイプラインを開発する。
提案手法により, 再建にともなう学習のコーディネートを支援することができることを示す。
論文 参考訳(メタデータ) (2023-11-06T01:19:57Z) - Improving Multi-Person Pose Tracking with A Confidence Network [37.84514614455588]
我々は、人間の検出とポーズ推定を改善するために、新しいキーポイント信頼ネットワークと追跡パイプラインを開発する。
具体的には、キーポイント信頼ネットワークは、各キーポイントが閉鎖されているかどうかを決定するように設計されている。
追従パイプラインでは,Bbox-revisionモジュールが欠落検出を低減し,ID-retrieveモジュールが損失軌跡を補正する。
論文 参考訳(メタデータ) (2023-10-29T06:36:27Z) - Enhancing Infrared Small Target Detection Robustness with Bi-Level
Adversarial Framework [61.34862133870934]
本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。
我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
論文 参考訳(メタデータ) (2023-09-03T06:35:07Z) - A Comprehensive Study on the Robustness of Image Classification and
Object Detection in Remote Sensing: Surveying and Benchmarking [17.012502610423006]
ディープニューラルネットワーク(DNN)は、リモートセンシング(RS)画像の解釈に広く応用されている。
従来の研究では、DNNは様々な種類のノイズ、特に敵対的なノイズに弱いことが示されている。
本研究は,RS課題における自然的頑健性と対角的頑健性の両方を包括的に検討した初めての事例である。
論文 参考訳(メタデータ) (2023-06-21T08:52:35Z) - A Comprehensive Study on Robustness of Image Classification Models:
Benchmarking and Rethinking [54.89987482509155]
ディープニューラルネットワークのロバスト性は、通常、敵の例、共通の腐敗、分散シフトに欠けている。
画像分類タスクにおいてtextbfARES-Bench と呼ばれる総合的なベンチマークロバスト性を確立する。
それに応じてトレーニング設定を設計することにより、新しい最先端の対人ロバスト性を実現する。
論文 参考訳(メタデータ) (2023-02-28T04:26:20Z) - Adversarially-Aware Robust Object Detector [85.10894272034135]
本稿では,ロバスト検出器 (RobustDet) を提案する。
本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
論文 参考訳(メタデータ) (2022-07-13T13:59:59Z) - Robust Single Image Dehazing Based on Consistent and Contrast-Assisted
Reconstruction [95.5735805072852]
画像復調モデルのロバスト性を改善するための新しい密度変分学習フレームワークを提案する。
具体的には、デハジングネットワークは、一貫性の規則化されたフレームワークの下で最適化されている。
我々の手法は最先端のアプローチを大きく上回っている。
論文 参考訳(メタデータ) (2022-03-29T08:11:04Z) - Residual Error: a New Performance Measure for Adversarial Robustness [85.0371352689919]
ディープラーニングの広く普及を制限する大きな課題は、敵の攻撃に対する脆弱さである。
本研究は,ディープニューラルネットワークの対角強靭性を評価するための新しい性能尺度である残留誤差の概念を提示する。
画像分類を用いた実験結果から,提案手法の有効性と有効性を示した。
論文 参考訳(メタデータ) (2021-06-18T16:34:23Z) - Kinematic-Structure-Preserved Representation for Unsupervised 3D Human
Pose Estimation [58.72192168935338]
大規模インスタディオデータセットの監視を用いて開発された人間のポーズ推定モデルの一般化可能性については疑問が残る。
本稿では,2対あるいは2対の弱い監督者によって抑制されない,新しいキネマティック構造保存型非教師付き3次元ポーズ推定フレームワークを提案する。
提案モデルでは,前方運動学,カメラ投影,空間マップ変換という3つの連続的な微分可能変換を用いる。
論文 参考訳(メタデータ) (2020-06-24T23:56:33Z) - AMIL: Adversarial Multi Instance Learning for Human Pose Estimation [24.175298058941515]
本稿では,ネットワークのトレーニングにおいて,事前を慎重に考慮する構造対応ネットワークを提案する。
我々は2つの残留多重インスタンス学習モデル(MIL)を設計する学習モデルとして、生成逆ネットワークを提案する。
プールをベースとした逆数残差マルチインスタンスニューラルネットワークを2つのデータセットで検証した。
論文 参考訳(メタデータ) (2020-03-18T01:22:16Z)
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。