論文の概要: A Neural Anthropometer Learning from Body Dimensions Computed on Human 3D Meshes

• arxiv url: http://arxiv.org/abs/2110.04064v1
• Date: Wed, 6 Oct 2021 12:56:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-11 13:38:23.826277
• Title: A Neural Anthropometer Learning from Body Dimensions Computed on Human 3D Meshes
• Title（参考訳）: 人体の3次元メッシュで計算した体次元から学習する神経人類学
• Authors: Yansel Gonz\'alez Tejeda and Helmut A. Mayer
• Abstract要約: 本稿では,3次元メッシュの左右腕長,肩幅,切削高さ(クロッチ高さ)を,医療・バーチャル・トライオン・距離調整への応用に焦点をあてて算出する手法を提案する。 一方、最近発表された手法を用いて計算された4つの追加の体次元を用いて、8つの体次元の集合を組み立て、これら次元を推定できる畳み込みニューラルネットワークであるニューラル・アントロポメータの監視信号として使用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Human shape estimation has become increasingly important both theoretically and practically, for instance, in 3D mesh estimation, distance garment production and computational forensics, to mention just a few examples. As a further specialization, \emph{Human Body Dimensions Estimation} (HBDE) focuses on estimating human body measurements like shoulder width or chest circumference from images or 3D meshes usually using supervised learning approaches. The main obstacle in this context is the data scarcity problem, as collecting this ground truth requires expensive and difficult procedures. This obstacle can be overcome by obtaining realistic human measurements from 3D human meshes. However, a) there are no well established methods to calculate HBDs from 3D meshes and b) there are no benchmarks to fairly compare results on the HBDE task. Our contribution is twofold. On the one hand, we present a method to calculate right and left arm length, shoulder width, and inseam (crotch height) from 3D meshes with focus on potential medical, virtual try-on and distance tailoring applications. On the other hand, we use four additional body dimensions calculated using recently published methods to assemble a set of eight body dimensions which we use as a supervision signal to our Neural Anthropometer: a convolutional neural network capable of estimating these dimensions. To assess the estimation, we train the Neural Anthropometer with synthetic images of 3D meshes, from which we calculated the HBDs and observed that the network's overall mean estimate error is $20.89$ mm (relative error of 2.84\%). The results we present are fully reproducible and establish a fair baseline for research on the task of HBDE, therefore enabling the community with a valuable method.
• Abstract（参考訳）: 人間の形状推定は、例えば3dメッシュ推定、距離衣料製造、計算科学などにおいて、理論的にも実際にも重要になっている。 さらなる専門化として、 \emph{Human Body Dimensions Estimation} (HBDE) は、通常、教師付き学習アプローチを用いて、画像や3Dメッシュから肩幅や胸部周囲などの人体計測を推定することに焦点を当てている。 この状況における主な障害は、データ不足の問題である。 この障害は、3次元メッシュからリアルな人間の測定値を取得することで克服できる。 しかし、 a) 3DメッシュからHBDを計算する方法が確立されていないこと。 b) HBDEタスクの結果を適切に比較するベンチマークは存在しない。 私たちの貢献は2倍です。 本研究では, 医用, 仮想試用, 距離調整に焦点をあてた3次元メッシュから, 左右腕長, 肩幅, インシーム(クロッチ高さ)を計算する手法を提案する。 一方、最近発表された手法を用いて計算された4つの追加の体次元を用いて、8つの体次元の集合を組み立て、これら次元を推定できる畳み込みニューラルネットワークであるニューラル・アントロポメータの監視信号として使用する。 評価のために,HBDを計算し,ネットワーク全体の平均推定誤差が20.89$ mm(相対誤差2.84\%)であることを確認する3次元メッシュの合成画像を用いてニューラル・アンロポメータを訓練した。 本研究は,HBDEの課題に対する研究の基準として,完全に再現可能であり,かつ,コミュニティに価値ある方法を可能にするものである。

関連論文リスト

• Neural Localizer Fields for Continuous 3D Human Pose and Shape Estimation [32.30055363306321]
  本研究では、異なる人間のポーズや形状に関連したタスクやデータセットをシームレスに統一するパラダイムを提案する。 私たちの定式化は、トレーニングとテスト時間の両方で、人間の体積の任意の点を問う能力に重点を置いています。 メッシュや2D/3Dスケルトン,密度の高いポーズなど,さまざまな注釈付きデータソースを,変換することなく自然に利用することが可能です。
  論文  参考訳（メタデータ） (2024-07-10T10:44:18Z)
• Binarized 3D Whole-body Human Mesh Recovery [104.13364878565737]
  本研究では, 人体, 顔, 手の3次元パラメータを効率的に推定するために, 両立二重残差ネットワーク (BiDRN) を提案する。 BiDRNは、22.1%のパラメータと14.8%の操作しか使用せず、完全精度のHand4Wholeで同等のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-11-24T07:51:50Z)
• Zolly: Zoom Focal Length Correctly for Perspective-Distorted Human Mesh Reconstruction [66.10717041384625]
  Zollyは、視点歪みの画像に焦点を当てた最初の3DHMR法である。 人体の2次元密度ゆらぎスケールを記述した新しいカメラモデルと新しい2次元歪み画像を提案する。 このタスク用に調整された2つの現実世界のデータセットを拡張します。
  論文  参考訳（メタデータ） (2023-03-24T04:22:41Z)
• Effect of Gender, Pose and Camera Distance on Human Body Dimensions Estimation [0.0]
  HBDE(Human Body Dimensions Estimation)は、知的エージェントが画像(2D)や点雲やメッシュ(3D)から人体情報を判定する作業である。 我々は,(1)特定の性別の被験者とのトレーニング,(2)特定のポーズ,(3)スパースカメラ距離,(4)密度カメラ距離の4つのシナリオでCNNを訓練し,評価する。 我々の実験は、ネットワークがタスクをうまく実行できることを実証するだけでなく、HBDEのタスクをよりよく理解するのに寄与する多くの関連する事実も明らかにする。
  論文  参考訳（メタデータ） (2022-05-24T12:26:25Z)
• PONet: Robust 3D Human Pose Estimation via Learning Orientations Only [116.1502793612437]
  本稿では,学習向きのみを用いて3次元ポーズを頑健に推定できる新しいPose Orientation Net(PONet)を提案する。 PONetは、局所的な画像証拠を利用して、これらの手足の3D方向を推定し、3Dポーズを復元する。 我々は,Human3.6M,MPII,MPI-INF-3DHP,3DPWを含む複数のデータセットについて評価を行った。
  論文  参考訳（メタデータ） (2021-12-21T12:48:48Z)
• Weakly-supervised Cross-view 3D Human Pose Estimation [16.045255544594625]
  弱教師付きクロスビュー3次元ポーズ推定のための簡易かつ効果的なパイプラインを提案する。 本手法は,最先端の性能を弱い教師付きで達成することができる。 本手法を標準ベンチマークデータセットHuman3.6Mで評価する。
  論文  参考訳（メタデータ） (2021-05-23T08:16:25Z)
• 3D Human Body Reshaping with Anthropometric Modeling [59.51820187982793]
  人間測定パラメータから正確で現実的な3D人体を再構築することは、個人識別、オンラインショッピング、仮想現実のための基本的な課題です。 このような3d形状を作る既存のアプローチは、レンジカメラやハイエンドスキャナーによる複雑な測定に苦しむことが多い。 本稿では,各ファセットに対する自動人為的パラメータモデリングを可能にする,特徴選択に基づく局所マッピング手法を提案する。
  論文  参考訳（メタデータ） (2021-04-05T04:09:39Z)
• Neural Descent for Visual 3D Human Pose and Shape [67.01050349629053]
  入力RGB画像から3次元のポーズと形状を復元するディープニューラルネットワーク手法を提案する。 我々は最近導入された表現力のあるボディ統計モデルGHUMに頼っている。 我々の方法論の中心は、HUmanNeural Descent (HUND)と呼ばれるアプローチの学習と最適化である。
  論文  参考訳（メタデータ） (2020-08-16T13:38:41Z)
• MeTRAbs: Metric-Scale Truncation-Robust Heatmaps for Absolute 3D Human Pose Estimation [16.463390330757132]
  画像空間に整列するのではなく,次元がすべてメートル法3次元空間で定義される,メートル法スケール・トランケーション・ロバスト(MeTRo)体積熱マップを提案する。 この熱マップ次元の再解釈により、距離に関するテストタイム知識や骨の長さなどの人文計測に頼らずに、完全な計量スケールのポーズを直接推定することができる。 絶対的なポーズ損失による監督は、正確な非ルート相対的な位置決めには不可欠である。
  論文  参考訳（メタデータ） (2020-07-12T11:52:09Z)
• HEMlets PoSh: Learning Part-Centric Heatmap Triplets for 3D Human Pose and Shape Estimation [60.35776484235304]
  本研究は, 中間状態部分熱マップトリプレット(HEMlets)を導入し, 検出された2次元関節を三次元空間に持ち上げる不確実性に対処しようとするものである。 HEMletsは3つのジョイントヒートマップを使用して、各骨格体部に対するエンドジョイントの相対的な深さ情報を表す。 Convolutional Network (ConvNet) は、入力画像からHEMletを予測し、次にボリュームのジョイント・ヒートマップレグレッションを学習する。
  論文  参考訳（メタデータ） (2020-03-10T04:03:45Z)

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。