論文の概要: Fast and Flexible Human Pose Estimation with HyperPose

• arxiv url: http://arxiv.org/abs/2108.11826v1
• Date: Thu, 26 Aug 2021 14:51:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-27 13:58:47.168282
• Title: Fast and Flexible Human Pose Estimation with HyperPose
• Title（参考訳）: HyperPoseを用いた高速で柔軟なヒューマンポース推定
• Authors: Yixiao Guo, Jiawei Liu, Guo Li, Luo Mai, Hao Dong
• Abstract要約: フレキシブルで高性能なポーズ推定ライブラリであるHyperposeを紹介する。 開発者がアプリケーションのポーズ推定アルゴリズムを簡単にカスタマイズできる、表現力豊かなPython APIを提供する。 さらに、リアルタイムポーズ推定のために高度に最適化されたモデル推論エンジンを提供する。 2021年までに、HyperposeはGitHubで1000以上のスターを獲得し、業界とアカデミーの両方のユーザーを惹きつけている。
• 参考スコア（独自算出の注目度）: 11.640325639233456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating human pose is an important yet challenging task in multimedia applications. Existing pose estimation libraries target reproducing standard pose estimation algorithms. When it comes to customising these algorithms for real-world applications, none of the existing libraries can offer both the flexibility of developing custom pose estimation algorithms and the high-performance of executing these algorithms on commodity devices. In this paper, we introduce Hyperpose, a novel flexible and high-performance pose estimation library. Hyperpose provides expressive Python APIs that enable developers to easily customise pose estimation algorithms for their applications. It further provides a model inference engine highly optimised for real-time pose estimation. This engine can dynamically dispatch carefully designed pose estimation tasks to CPUs and GPUs, thus automatically achieving high utilisation of hardware resources irrespective of deployment environments. Extensive evaluation results show that Hyperpose can achieve up to 3.1x~7.3x higher pose estimation throughput compared to state-of-the-art pose estimation libraries without compromising estimation accuracy. By 2021, Hyperpose has received over 1000 stars on GitHub and attracted users from both industry and academy.
• Abstract（参考訳）: 人間のポーズを推定することはマルチメディアアプリケーションにおいて重要な課題である。 既存のポーズ推定ライブラリは、標準ポーズ推定アルゴリズムを再現する。 現実世界のアプリケーションでこれらのアルゴリズムをカスタマイズする際、既存のライブラリはカスタムポーズ推定アルゴリズムを開発する柔軟性と、これらのアルゴリズムをコモディティデバイスで実行する高性能の両方を提供することができない。 本稿では,新しいフレキシブルかつ高性能なポーズ推定ライブラリであるHyperposeを紹介する。 Hyperposeは、開発者がアプリケーションのポーズ推定アルゴリズムを簡単にカスタマイズできる表現力のあるPython APIを提供する。 さらに、リアルタイムポーズ推定に最適化されたモデル推論エンジンを提供する。 このエンジンは、慎重に設計されたポーズ推定タスクをCPUやGPUに動的にディスパッチすることで、デプロイメント環境に関係なく、ハードウェアリソースの高活用を自動で実現する。 広範な評価結果から,hyperposeは推定精度を損なうことなく,最先端のポーズ推定ライブラリと比較して最大3.1x~7.3倍高いポーズ推定スループットを達成できることがわかった。 2021年までに、hyperposeはgithubで1000以上の星を獲得し、業界とアカデミーの両方からユーザを引き付けた。

関連論文リスト

• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
  ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。 また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
  論文  参考訳（メタデータ） (2024-05-13T14:44:22Z)
• DVMNet: Computing Relative Pose for Unseen Objects Beyond Hypotheses [59.51874686414509]
  現在のアプローチは、多数の離散的なポーズ仮説を持つ連続的なポーズ表現を近似している。 本稿では,DVMNet(Deep Voxel Matching Network)を提案する。 提案手法は,最先端の手法に比べて計算コストの低い新しいオブジェクトに対して,より正確なポーズ推定を行う。
  論文  参考訳（メタデータ） (2024-03-20T15:41:32Z)
• 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)
• Pose for Everything: Towards Category-Agnostic Pose Estimation [93.07415325374761]
  Category-Agnostic Pose Estimation (CAPE) は、キーポイント定義を持つ少数のサンプルのみを与えられた任意の種類のオブジェクトのポーズを検出することができるポーズ推定モデルを作成することを目的としている。 異なるキーポイント間のインタラクションと、サポートとクエリイメージの関係をキャプチャするために、トランスフォーマーベースのキーポイントインタラクションモジュール(KIM)を提案する。 また、20K以上のインスタンスを含む100のオブジェクトカテゴリの2次元ポーズデータセットであるMP-100データセットを導入し、CAPEアルゴリズムの開発に適している。
  論文  参考訳（メタデータ） (2022-07-21T09:40:54Z)
• Unseen Object 6D Pose Estimation: A Benchmark and Baselines [62.8809734237213]
  本稿では,新しい物体の6次元ポーズ推定をアルゴリズムで行えるようにするための新しいタスクを提案する。 実画像と合成画像の両方でデータセットを収集し、テストセットで最大48個の未確認オブジェクトを収集する。 エンド・ツー・エンドの3D対応ネットワークをトレーニングすることにより、未確認物体と部分ビューRGBD画像との対応点を高精度かつ効率的に見つけることができる。
  論文  参考訳（メタデータ） (2022-06-23T16:29:53Z)
• OSSID: Online Self-Supervised Instance Detection by (and for) Pose Estimation [17.78557307620686]
  多くのロボット操作アルゴリズムにはリアルタイムなオブジェクトポーズ推定が必要である。 高速検出アルゴリズムの訓練を自己監督するために、スローゼロショットポーズ推定器を利用するOSSIDフレームワークを提案する。 この自己教師型トレーニングは,既存のゼロショット検出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） (2022-01-18T20:55:56Z)
• ZePHyR: Zero-shot Pose Hypothesis Rating [36.52070583343388]
  本稿では,ゼロショット物体の姿勢推定法を提案する。 提案手法は仮説生成とスコアリングのフレームワークを用いて,トレーニングに使用されていないオブジェクトに一般化するスコアリング関数の学習に重点を置いている。 そこで本研究では,新しい物体のモデルを素早くスキャンして構築することで,本システムをどのように利用できるかを示す。
  論文  参考訳（メタデータ） (2021-04-28T01:48:39Z)
• Continuous close-range 3D object pose estimation [1.4502611532302039]
  視覚に基づく3Dポーズ推定は、固定位置に配置されない可能性のあるオブジェクトを正確に扱う必要がある。 本稿では,勾配近似粒子フィルタを用いた3次元ポーズ推定手法を提案する。 これにより、タスク実行中にこの手法をオンラインに適用して、貴重なサイクル時間を節約することができる。
  論文  参考訳（メタデータ） (2020-10-02T07:48:17Z)
• PERCH 2.0 : Fast and Accurate GPU-based Perception via Search for Object Pose Estimation [14.812000578324481]
  本稿では,ポーズ推定のための探索手法であるPERCH 2.0を提案する。 提案手法は, PERCHの100倍の高速化を実現するとともに, 最先端のデータ駆動手法よりも精度が高いことを示す。
  論文  参考訳（メタデータ） (2020-08-01T19:42:56Z)
• EfficientPose: Scalable single-person pose estimation [3.325625311163864]
  一人称ポーズ推定のための新しい畳み込みニューラルネットワークアーキテクチャであるEfficientPoseを提案する。 我々のトップパフォーマンスモデルは、低複雑さのConvNetを用いて、シングルパーソンMPIIにおける最先端の精度を実現する。 複雑さと効率が低いため、EfficientPoseはメモリフットプリントと計算コストを制限し、エッジデバイス上の現実世界のアプリケーションを可能にする。
  論文  参考訳（メタデータ） (2020-04-25T16:50:46Z)

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。