論文の概要: Low-resolution Human Pose Estimation

• arxiv url: http://arxiv.org/abs/2109.09090v1
• Date: Sun, 19 Sep 2021 09:13:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-22 13:06:52.014946
• Title: Low-resolution Human Pose Estimation
• Title（参考訳）: 低分解能ヒューマンポース推定
• Authors: Chen Wang, Feng Zhang, Xiatian Zhu, Shuzhi Sam Ge
• Abstract要約: 低分解能ポーズ推定のための信頼意識学習(CAL)手法を提案する。 CALは、既存のオフセット学習手法の2つの基本的な制限に対処する: 一貫性のないトレーニングとテスト、分離されたヒートマップとオフセット学習。 提案手法は,低分解能人間のポーズ推定における最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 49.531572116079026
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Human pose estimation has achieved significant progress on images with high imaging resolution. However, low-resolution imagery data bring nontrivial challenges which are still under-studied. To fill this gap, we start with investigating existing methods and reveal that the most dominant heatmap-based methods would suffer more severe model performance degradation from low-resolution, and offset learning is an effective strategy. Established on this observation, in this work we propose a novel Confidence-Aware Learning (CAL) method which further addresses two fundamental limitations of existing offset learning methods: inconsistent training and testing, decoupled heatmap and offset learning. Specifically, CAL selectively weighs the learning of heatmap and offset with respect to ground-truth and most confident prediction, whilst capturing the statistical importance of model output in mini-batch learning manner. Extensive experiments conducted on the COCO benchmark show that our method outperforms significantly the state-of-the-art methods for low-resolution human pose estimation.
• Abstract（参考訳）: 人間のポーズ推定は高解像度画像において大きな進歩を遂げた。 しかし、解像度の低い画像データには、未熟な課題が伴う。 このギャップを埋めるため,我々は既存の手法を調査し,最も支配的なヒートマップベース手法が低解像度でのモデル性能低下を招き,オフセット学習が効果的な戦略であることを明らかにした。 本研究は,既存のオフセット学習手法の2つの基本的な制約,すなわち,一貫性のないトレーニングとテスト,分離されたヒートマップとオフセット学習に対処する新しい信頼意識学習(CAL)手法を提案する。 特にcalは、ミニバッチ学習の方法でモデル出力の統計的重要性を捉えながら、地中および最も自信のある予測に関して、ヒートマップとオフセットの学習を選択的に重み付けている。 COCOベンチマークで行った大規模な実験により,本手法は低分解能人のポーズ推定における最先端の手法よりも優れていた。

関連論文リスト

• Enhancing Training Data Attribution for Large Language Models with Fitting Error Consideration [74.09687562334682]
  Debias and Denoise Attribution (DDA) と呼ばれる新しいトレーニングデータ属性法を導入する。 提案手法は既存のアプローチよりも優れており,平均91.64%のAUCを実現している。 DDAは、様々なソースとLLaMA2、QWEN2、Mistralのような異なるスケールのモデルに対して、強力な汎用性とスケーラビリティを示す。
  論文  参考訳（メタデータ） (2024-10-02T07:14:26Z)
• Rejection Sampling IMLE: Designing Priors for Better Few-Shot Image Synthesis [7.234618871984921]
  新たな研究分野は、限られたトレーニングデータで深層生成モデルを学ぶことを目的としている。 トレーニングに使用する事前分布を変更する新しいアプローチであるRS-IMLEを提案する。 これにより、既存のGANやIMLEベースの手法に比べて画質が大幅に向上する。
  論文  参考訳（メタデータ） (2024-09-26T00:19:42Z)
• Degradation-Guided One-Step Image Super-Resolution with Diffusion Priors [75.24313405671433]
  拡散に基づく画像超解像法 (SR) は、事前訓練された大規模なテキスト・画像拡散モデルを先行として活用することにより、顕著な成功を収めた。 本稿では,拡散型SR手法の効率問題に対処する新しい一段階SRモデルを提案する。 既存の微調整戦略とは異なり、SR専用の劣化誘導低ランク適応 (LoRA) モジュールを設計した。
  論文  参考訳（メタデータ） (2024-09-25T16:15:21Z)
• One Step Diffusion-based Super-Resolution with Time-Aware Distillation [60.262651082672235]
  拡散に基づく画像超解像(SR)法は,低解像度画像から細部まで細部まで,高解像度画像の再構成に有望であることを示す。 近年,拡散型SRモデルの知識蒸留によるサンプリング効率の向上が試みられている。 我々は,効率的な画像超解像を実現するため,TAD-SRというタイムアウェア拡散蒸留法を提案する。
  論文  参考訳（メタデータ） (2024-08-14T11:47:22Z)
• An Effective Dynamic Gradient Calibration Method for Continual Learning [11.555822066922508]
  継続的学習(CL)は機械学習の基本的なトピックであり、目標は連続的なデータとタスクでモデルをトレーニングすることだ。 メモリ制限のため、すべての履歴データを保存できないため、破滅的な忘れの問題に直面します。 モデルの各更新ステップの勾配をキャリブレーションする有効なアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-07-30T16:30:09Z)
• Iterative Ensemble Training with Anti-Gradient Control for Mitigating Memorization in Diffusion Models [20.550324116099357]
  拡散モデルは、新規で高品質なサンプルを生成できることで知られている。 最近のメモリ緩和手法は、クロスモーダル生成タスクにおけるテキストモダリティ問題にのみ焦点をあてるか、あるいはデータ拡張戦略を利用するかのどちらかである。 本稿では,視覚的モダリティの観点からの拡散モデルのための新しいトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-22T02:19:30Z)
• Learning from Multi-Perception Features for Real-Word Image Super-resolution [87.71135803794519]
  入力画像の複数の知覚的特徴を利用する新しいSR手法MPF-Netを提案する。 本稿では,MPFEモジュールを組み込んで,多様な知覚情報を抽出する手法を提案する。 また、モデルの学習能力を向上する対照的な正規化項(CR)も導入する。
  論文  参考訳（メタデータ） (2023-05-26T07:35:49Z)
• Improving Robustness for Pose Estimation via Stable Heatmap Regression [19.108116394510258]
  ネットワーク脆弱性を小さな摂動に緩和するヒートマップ回帰法を提案する。 最適化の難易度を簡略化するために、最大安定性トレーニング損失を使用する。 提案手法は,2つのベンチマークデータセットに対する最先端アプローチに対するロバスト性を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-05-08T03:07:05Z)
• Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
  2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。 まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。 第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2021-01-20T11:48:12Z)
• Deep Weakly-Supervised Learning Methods for Classification and Localization in Histology Images: A Survey [25.429124017422385]
  深層学習モデルを用いて癌を診断することはいくつかの課題をもたらす。 深層弱教師付きオブジェクトローカライゼーション(WSOL)手法は、ディープラーニングモデルの低コストトレーニングのための戦略を提供する。 本稿では,WSOL の最先端 DL 手法について概説する。
  論文  参考訳（メタデータ） (2019-09-08T00:01:37Z)

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。