論文の概要: PoseDet: Fast Multi-Person Pose Estimation Using Pose Embedding

• arxiv url: http://arxiv.org/abs/2107.10466v1
• Date: Thu, 22 Jul 2021 05:54:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-23 21:41:22.668444
• Title: PoseDet: Fast Multi-Person Pose Estimation Using Pose Embedding
• Title（参考訳）: PoseDet: Pose Embedding を用いた高速マルチパーソンポーズ推定
• Authors: Chenyu Tian, Ran Yu, Xinyuan Zhao, Weihao Xia, Yujiu Yang, Haoqian Wang
• Abstract要約: 本稿では,PoseDet (Estimating Pose by Detection) という,身体関節の局所化と関連付けを同時に行う新しいフレームワークを提案する。 また,キーポイントの位置からオブジェクトを表現するために,キーポイント認識型ポーズ埋め込みを提案する。 この単純なフレームワークは、最先端の手法と比較してCOCOベンチマークで前例のないスピードと競争精度を達成する。
• 参考スコア（独自算出の注目度）: 16.57620683425904
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current methods of multi-person pose estimation typically treat the localization and the association of body joints separately. It is convenient but inefficient, leading to additional computation and a waste of time. This paper, however, presents a novel framework PoseDet (Estimating Pose by Detection) to localize and associate body joints simultaneously at higher inference speed. Moreover, we propose the keypoint-aware pose embedding to represent an object in terms of the locations of its keypoints. The proposed pose embedding contains semantic and geometric information, allowing us to access discriminative and informative features efficiently. It is utilized for candidate classification and body joint localization in PoseDet, leading to robust predictions of various poses. This simple framework achieves an unprecedented speed and a competitive accuracy on the COCO benchmark compared with state-of-the-art methods. Extensive experiments on the CrowdPose benchmark show the robustness in the crowd scenes. Source code is available.
• Abstract（参考訳）: 多人数ポーズ推定の現在の方法は、典型的には、局所化と身体関節の関連を別々に扱う。 これは便利だが非効率であり、さらなる計算と時間の浪費につながる。 しかし,本稿では,身体関節の局所化と結合を高い推算速度で同時に行うための新しい枠組みであるポスデット(位置推定によるポーズ推定)を提案する。 さらに,キーポイントの位置の観点でオブジェクトを表現するために,キーポイント対応のポーズ埋め込みを提案する。 提案するポーズ埋め込みは意味的および幾何学的情報を含み,識別的および情報的特徴を効率的に利用できる。 PoseDetの候補分類や身体の関節局在に利用され、様々なポーズの堅牢な予測に繋がる。 この単純なフレームワークは、最先端の手法と比較してCOCOベンチマークで前例のないスピードと競争精度を達成する。 crowdposeベンチマークに関する広範な実験は、群衆のシーンにおける堅牢性を示している。 ソースコードは利用可能である。

関連論文リスト

• SRPose: Two-view Relative Pose Estimation with Sparse Keypoints [51.49105161103385]
  SRPoseは、カメラ・トゥ・ワールドおよびオブジェクト・トゥ・カメラシナリオにおける2ビュー相対ポーズ推定のためのスパースキーポイントベースのフレームワークである。 精度と速度の点で最先端の手法と比較して、競争力や優れた性能を達成する。 さまざまな画像サイズやカメラ固有の機能に対して堅牢であり、低コンピューティングリソースでデプロイすることができる。
  論文  参考訳（メタデータ） (2024-07-11T05:46:35Z)
• PoseMatcher: One-shot 6D Object Pose Estimation by Deep Feature Matching [51.142988196855484]
  本稿では,PoseMatcherを提案する。 3ビューシステムに基づくオブジェクトと画像のマッチングのための新しいトレーニングパイプラインを作成します。 PoseMatcherは、画像とポイントクラウドの異なる入力モダリティに対応できるように、IO-Layerを導入します。
  論文  参考訳（メタデータ） (2023-04-03T21:14:59Z)
• Mutual Information-Based Temporal Difference Learning for Human Pose Estimation in Video [16.32910684198013]
  本稿では,動的コンテキストをモデル化するために,フレーム間の時間差を利用した新しいヒューマンポーズ推定フレームワークを提案する。 具体的には、多段階差分を条件とした多段階絡み合い学習シーケンスを設計し、情報的動作表現シーケンスを導出する。 以下は、HiEveベンチマークで、複合イベントチャレンジにおけるクラウドポーズ推定において、第1位にランク付けします。
  論文  参考訳（メタデータ） (2023-03-15T09:29:03Z)
• AlphaPose: Whole-Body Regional Multi-Person Pose Estimation and Tracking in Real-Time [47.19339667836196]
  提案するAlphaPoseは,リアルタイムに動作しながら,身体全体のポーズを正確に推定・追跡できるシステムである。 我々は,COCO-全体,COCO,PoseTrack,提案したHalpe-FullBodyポーズ推定データセットにおいて,現在の最先端手法よりも高速かつ高精度であることを示す。
  論文  参考訳（メタデータ） (2022-11-07T09:15:38Z)
• Temporal Feature Alignment and Mutual Information Maximization for Video-Based Human Pose Estimation [38.571715193347366]
  マルチフレーム人間のポーズ推定のための新しい階層的アライメントフレームワークを提案する。 ベンチマークデータセットのPoseTrack 2017では、マルチフレームPerson Pose Estimation Challengeの1位にランクインし、ベンチマークのSub-JHMDBとPose-Track 2018では最先端のパフォーマンスを得ています。
  論文  参考訳（メタデータ） (2022-03-29T04:29:16Z)
• Improving Robustness and Accuracy via Relative Information Encoding in 3D Human Pose Estimation [59.94032196768748]
  位置および時間的拡張表現を出力する相対情報符号化法を提案する。 提案手法は2つの公開データセット上で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-07-29T14:12:19Z)
• Deep Dual Consecutive Network for Human Pose Estimation [44.41818683253614]
  キーポイント検出を容易にするために,ビデオフレーム間の時間的キューを豊富に活用した,新しいマルチフレーム人間ポーズ推定フレームワークを提案する。 本手法は、PoseTrack 2017およびPoseTrack 2018の大規模ベンチマークデータセットにおけるマルチフレームパーソンポースチャレンジチャレンジで1位にランクインします。
  論文  参考訳（メタデータ） (2021-03-12T13:11:27Z)
• OpenPifPaf: Composite Fields for Semantic Keypoint Detection and Spatio-Temporal Association [90.39247595214998]
  イメージベースの知覚タスクは、例えば、検出、関連付け、セマンティックキーポイントとして定式化することができる。 人間の体は 推定と追跡をする 一つの段階における意味的および時間的キーポイント関連を共同で検出する一般的な枠組みを提案する。 また,本手法は車や動物などのキーポイントのクラスに一般化し,総合的な知覚の枠組みを提供することを示す。
  論文  参考訳（メタデータ） (2021-03-03T14:44:14Z)
• Reference Pose Generation for Long-term Visual Localization via Learned Features and View Synthesis [88.80710311624101]
  本稿では,3次元モデルのレンダリングと実画像の特徴マッチングに基づく参照ポーズを生成するための半自動アプローチを提案する。 我々は、Aachen Day-Nightデータセットの夜間参照ポーズを大幅に改善し、最先端の視覚的ローカライゼーション手法が、オリジナルの参照ポーズによって予測されるよりも優れた(最大47%の)性能を示すことを示した。
  論文  参考訳（メタデータ） (2020-05-11T15:13:07Z)
• UniPose: Unified Human Pose Estimation in Single Images and Videos [3.04585143845864]
  本稿では,我々の「ウォーターフォール」アトラス空間ポーリングアーキテクチャに基づく,人間のポーズ推定のための統一的なフレームワークを提案する。 UniPoseは、コンテキストセグメンテーションとジョイントローカライゼーションを取り入れて、人間のポーズを単一のステージで推定する。 複数のデータセットで得られた結果は、ResNetのバックボーンとウォーターフォールモジュールを備えたUniPoseが、ポーズ推定のための堅牢で効率的なアーキテクチャであることを実証している。
  論文  参考訳（メタデータ） (2020-01-22T15:59:42Z)

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。