Fugu-MT 論文翻訳(概要): PoseRN: A 2D pose refinement network for bias-free multi-view 3D human pose estimation

論文の概要: PoseRN: A 2D pose refinement network for bias-free multi-view 3D human pose estimation

arxiv url: http://arxiv.org/abs/2107.03000v1
Date: Wed, 7 Jul 2021 03:49:36 GMT
ステータス: 処理完了
システム内更新日: 2021-07-08 14:07:08.019760
Title: PoseRN: A 2D pose refinement network for bias-free multi-view 3D human pose estimation
Title（参考訳）: posern: バイアスフリーマルチビュー3次元ポーズ推定のための2次元ポーズ改善ネットワーク
Authors: Akihiko Sayo, Diego Thomas, Hiroshi Kawasaki, Yuta Nakashima, Katsushi Ikeuchi
Abstract要約: 推定2次元ポーズにおける人間のバイアスを予測できる新しい2次元ポーズ改善ネットワークを提案する。提案するポーズ改善ネットワークにより,推定された2次元ポーズにおける人間のバイアスを効率的に除去し,高精度なマルチビュー3次元ポーズ推定を実現することができる。
参考スコア（独自算出の注目度）: 21.51166171743293
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a new 2D pose refinement network that learns to predict the human bias in the estimated 2D pose. There are biases in 2D pose estimations that are due to differences between annotations of 2D joint locations based on annotators' perception and those defined by motion capture (MoCap) systems. These biases are crafted into publicly available 2D pose datasets and cannot be removed with existing error reduction approaches. Our proposed pose refinement network allows us to efficiently remove the human bias in the estimated 2D poses and achieve highly accurate multi-view 3D human pose estimation.
Abstract（参考訳）: 本研究では,推定2次元ポーズにおける人間のバイアスを予測する2次元ポーズ改善ネットワークを提案する。 2次元ポーズ推定には、アノテータの知覚に基づく2次元関節位置のアノテーションとモーションキャプチャ(MoCap)システムで定義されるものの違いによるバイアスがある。これらのバイアスは2dポーズデータセットとして公開されており、既存のエラー低減アプローチでは削除できない。提案するポーズリファインメントネットワークにより,推定2次元ポーズにおける人間のバイアスを効率的に除去し,高精度なマルチビュー3次元ポーズ推定を実現する。

関連論文リスト

MPL: Lifting 3D Human Pose from Multi-view 2D Poses [75.26416079541723]
本稿では,大規模かつリッチなトレーニングデータセットが存在する2次元ポーズ推定と,トランスフォーマーネットワークを用いた2次元から3次元ポーズリフトを提案する。実験の結果,MPJPEの誤差は2次元ポーズを三角測量した3次元ポーズと比較して最大45%減少することがわかった。
論文参考訳（メタデータ） (2024-08-20T12:55:14Z)
Unsupervised Multi-Person 3D Human Pose Estimation From 2D Poses Alone [4.648549457266638]
本研究は,教師なし多人数2D-3Dポーズ推定の実現可能性について検討した最初の研究の1つである。本手法では,各被験者の2次元ポーズを3次元に独立に持ち上げ,それらを共有3次元座標系で組み合わせる。これにより、ポーズの正確な3D再構成を検索することができる。
論文参考訳（メタデータ） (2023-09-26T11:42:56Z)
MPM: A Unified 2D-3D Human Pose Representation via Masked Pose Modeling [59.74064212110042]
mpmcanは、3D人間のポーズ推定、クラッドされた2Dポーズからの3Dポーズ推定、3Dポーズ完了をtextocbsingleフレームワークで処理する。 MPI-INF-3DHPにおいて、広く使われているポーズデータセットの広範な実験とアブレーション研究を行い、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） (2023-06-29T10:30:00Z)
SPGNet: Spatial Projection Guided 3D Human Pose Estimation in Low Dimensional Space [14.81199315166042]
本研究では,多次元再投影と教師あり学習を混合した3次元人間のポーズ推定手法を提案する。提案手法は,データセットHuman3.6Mの推定結果に基づいて,定性的にも定量的にも,多くの最先端手法より優れている。
論文参考訳（メタデータ） (2022-06-04T00:51:00Z)
ElePose: Unsupervised 3D Human Pose Estimation by Predicting Camera Elevation and Learning Normalizing Flows on 2D Poses [23.554957518485324]
本研究では、1つの画像から3次元人間のポーズを予測することを学ぶ教師なしのアプローチを提案する。ランダムなプロジェクションに最も近い3次元ポーズを推定し、2次元ポーズの正規化フローを用いて推定する。我々は,Human3.6M と MPI-INF-3DHP のベンチマークデータセット上で,最先端の教師なしポーズ推定手法を多くの指標で上回っている。
論文参考訳（メタデータ） (2021-12-14T01:12:45Z)
Lifting 2D Human Pose to 3D with Domain Adapted 3D Body Concept [49.49032810966848]
既存の3Dポーズ推定は,1)2Dデータと3Dデータとのあいまいさ,2)よくラベル付けされた2D-3Dポーズペアの欠如に悩まされている。本研究では,人体の3次元概念を学習するためにラベル付き3次元ポーズを利用する新しい枠組みを提案する。 2つのドメインに適応することにより、3Dポーズから学んだ身体知識を2Dポーズに適用し、2Dポーズエンコーダを誘導し、ポーズリフトに埋め込まれた情報的な3D"想像"を生成する。
論文参考訳（メタデータ） (2021-11-23T16:02:12Z)
SVMA: A GAN-based model for Monocular 3D Human Pose Estimation [0.8379286663107844]
1枚の画像から抽出した2次元関節位置から3次元人間のポーズを復元するための教師なしGANモデルを提案する。再投射制約を考慮すると,本モデルはカメラを推定し,推定された3次元ポーズを元の2次元ポーズに再投射することができる。 Human3.6Mの結果,本手法は最先端の手法を全て上回り,MPI-INF-3DHPの手法は最先端の手法を約15.0%上回ることがわかった。
論文参考訳（メタデータ） (2021-06-10T09:43:57Z)
3DCrowdNet: 2D Human Pose-Guided3D Crowd Human Pose and Shape Estimation in the Wild [61.92656990496212]
3DCrowdNetは、2D人間のポーズガイド3D群衆ポーズと形状推定システムです。我々の3DCrowdNetは、これまでのクラウドシーンの手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-04-15T08:21:28Z)
Residual Pose: A Decoupled Approach for Depth-based 3D Human Pose Estimation [18.103595280706593]
我々は,CNNによる信頼度の高い2次元ポーズ推定の最近の進歩を活用し,深度画像から人物の3次元ポーズを推定する。提案手法は2つの公開データセットの精度と速度の両面で非常に競争力のある結果が得られる。
論文参考訳（メタデータ） (2020-11-10T10:08:13Z)
VoxelPose: Towards Multi-Camera 3D Human Pose Estimation in Wild Environment [80.77351380961264]
複数のカメラビューから複数の人の3Dポーズを推定する手法を提案する。本稿では,3D空間で動作するエンドツーエンドのソリューションを提案する。本稿では,各提案の詳細な3次元ポーズを推定するために,Pose Regression Network (PRN)を提案する。
論文参考訳（メタデータ） (2020-04-13T23:50:01Z)
Fusing Wearable IMUs with Multi-View Images for Human Pose Estimation: A Geometric Approach [76.10879433430466]
多視点画像と人手足に装着したIMUから3次元人間のポーズを推定する。まず2つの信号から2Dのポーズを検出し、3D空間に持ち上げる。単純な2段階のアプローチは、公開データセット上の大きなマージンによる最先端のエラーを低減する。
論文参考訳（メタデータ） (2020-03-25T00:26:54Z)

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。