論文の概要: Keypoint Communities

• arxiv url: http://arxiv.org/abs/2110.00988v1
• Date: Sun, 3 Oct 2021 11:50:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-06 05:29:00.492075
• Title: Keypoint Communities
• Title（参考訳）: キーポイントコミュニティ
• Authors: Duncan Zauss, Sven Kreiss, Alexandre Alahi
• Abstract要約: 本稿では,人や物体上の100以上のキーポイントを共同で検出する高速ボトムアップ手法を提案する。 ポーズの異なる部分にトレーニングの重みを割り当てるために、グラフ集中度尺度を使用します。 我々の方法は車のポーズに一般化する。
• 参考スコア（独自算出の注目度）: 87.06615538315003
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a fast bottom-up method that jointly detects over 100 keypoints on humans or objects, also referred to as human/object pose estimation. We model all keypoints belonging to a human or an object -- the pose -- as a graph and leverage insights from community detection to quantify the independence of keypoints. We use a graph centrality measure to assign training weights to different parts of a pose. Our proposed measure quantifies how tightly a keypoint is connected to its neighborhood. Our experiments show that our method outperforms all previous methods for human pose estimation with fine-grained keypoint annotations on the face, the hands and the feet with a total of 133 keypoints. We also show that our method generalizes to car poses.
• Abstract（参考訳）: 本稿では,人間や物体上の100以上のキーポイントを共同で検出する高速ボトムアップ手法を提案する。 人間またはオブジェクトに属するすべてのキーポイント -- ポーズ -- をグラフとしてモデル化し、コミュニティ検出からの洞察を活用してキーポイントの独立性を定量化します。 ポーズの異なる部分にトレーニングウェイトを割り当てるために、グラフ集中度尺度を使用します。 提案手法は,キーポイントが近隣とどの程度密に繋がっているかを定量化する。 提案手法は,顔,手,足に細粒度のキーポイントアノテーションを付加した人間のポーズ推定手法を,合計で133個のキーポイントで比較した。 また,本手法がカーポーズに一般化することを示す。

関連論文リスト

• Evaluating Multiview Object Consistency in Humans and Image Models [68.36073530804296]
  我々は、物体の形状に関するゼロショット視覚的推論を必要とする認知科学の実験的設計を活用する。 我々は500人以上の参加者から行動データの35万件の試行を収集した。 次に、一般的な視覚モデルの性能を評価する。
  論文  参考訳（メタデータ） (2024-09-09T17:59:13Z)
• 2D Human Pose Estimation with Explicit Anatomical Keypoints Structure Constraints [15.124606575017621]
  本稿では,解剖学的キーポイント構造制約を明示した新しい2次元ポーズ推定手法を提案する。 提案手法は,既存のボトムアップやトップダウンの人間のポーズ推定手法に組み込むことができる。 提案手法は,既存のボトムアップとトップダウンの人間のポーズ推定手法に対して良好に機能する。
  論文  参考訳（メタデータ） (2022-12-05T11:01:43Z)
• Interacting Hand-Object Pose Estimation via Dense Mutual Attention [97.26400229871888]
  3Dハンドオブジェクトのポーズ推定は多くのコンピュータビジョンアプリケーションの成功の鍵となる。 本研究では,手と物体間の微粒な依存関係をモデル化できる新しい相互注意機構を提案する。 提案手法は,高品質かつリアルタイムな推論速度で,物理的に妥当なポーズを生成できる。
  論文  参考訳（メタデータ） (2022-11-16T10:01:33Z)
• Single Person Pose Estimation: A Survey [45.144269986277365]
  制約のない画像やビデオにおける人間のポーズ推定は、基本的なコンピュータビジョンタスクである。 本稿では, 人間の代表的ポーズ法を構造化分類法で要約し, 特に深層学習モデルと一対一のイメージ設定に着目した。 我々は、データ拡張、モデルアーキテクチャ、バックボーンを含む典型的な人間のポーズ推定パイプラインのすべてのコンポーネントを調べ、調査する。
  論文  参考訳（メタデータ） (2021-09-21T09:53:15Z)
• Greedy Offset-Guided Keypoint Grouping for Human Pose Estimation [31.468003041368814]
  私たちは、異なる人物からすべてのキーポイントを無差別に推測するために、Hourglass Networkを使用します。 我々は、予測された誘導オフセットを利用して、候補のキーポイントを複数の人間のポーズにグループ化します。 当社のアプローチは、公正な条件下でのCOCOデータセットの課題に関する最先端技術に匹敵するものです。
  論文  参考訳（メタデータ） (2021-07-07T09:32:01Z)
• Learning to Disambiguate Strongly Interacting Hands via Probabilistic Per-pixel Part Segmentation [84.28064034301445]
  自己相似性と、それぞれの手にピクセル観察を割り当てるあいまいさは、最終的な3Dポーズエラーの大きな原因である。 1つの単眼画像から2つの手の3次元ポーズを推定する新しい手法であるDIGITを提案する。 提案手法は,InterHand2.6Mデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-07-01T13:28:02Z)
• Point-Set Anchors for Object Detection, Instance Segmentation and Pose Estimation [85.96410825961966]
  中心点から抽出された画像の特徴は、離れたキーポイントや境界ボックスの境界を予測するための限られた情報を含んでいると論じる。 推論を容易にするために,より有利な位置に配置された点集合からの回帰を行うことを提案する。 我々は、オブジェクト検出、インスタンス分割、人間のポーズ推定にPoint-Set Anchorsと呼ばれるこのフレームワークを適用した。
  論文  参考訳（メタデータ） (2020-07-06T15:59:56Z)
• Self-supervised Keypoint Correspondences for Multi-Person Pose Estimation and Tracking in Videos [32.43899916477434]
  本稿では,映像中の人物を関連付けるために,キーポイント対応に依存するアプローチを提案する。 ビデオデータ上でキーポイント対応を推定するためにネットワークをトレーニングする代わりに、人間のポーズ推定のために大規模な画像データセットでトレーニングする。 提案手法は,PosTrack$2017およびPoseTrack$2018のデータセット上で,複数フレームのポーズ推定と複数人物のポーズ追跡の最先端結果を実現する。
  論文  参考訳（メタデータ） (2020-04-27T09:02:24Z)
• Measuring Generalisation to Unseen Viewpoints, Articulations, Shapes and Objects for 3D Hand Pose Estimation under Hand-Object Interaction [137.28465645405655]
  HANDS'19は、現在の3Dハンドポーズ推定器(HPE)がトレーニングセットのポーズを補間し、外挿する能力を評価するための課題である。 本研究では,最先端手法の精度が低下し,トレーニングセットから外れたポーズでほとんど失敗することを示す。
  論文  参考訳（メタデータ） (2020-03-30T19:28:13Z)

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。