論文の概要: Self-Supervision and Spatial-Sequential Attention Based Loss for Multi-Person Pose Estimation

• arxiv url: http://arxiv.org/abs/2110.10734v1
• Date: Wed, 20 Oct 2021 19:13:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-22 17:16:02.537279
• Title: Self-Supervision and Spatial-Sequential Attention Based Loss for Multi-Person Pose Estimation
• Title（参考訳）: 多人数視点推定のための自己スーパービジョンと空間系列アテンションに基づく損失
• Authors: Haiyang Liu, Dingli Luo, Songlin Du, Takeshi Ikenaga
• Abstract要約: ボトムアップに基づくポーズ推定手法は、補助的な予測を伴うヒートマップを用いて関節位置を推定し、同時に属する。 より明確な監督の欠如は、1つのモデルにおける機能利用の低さと予測間の矛盾をもたらす。 本稿では,自己教師型ヒートマップを用いて予測矛盾や空間的注意を低減し,ネットワークの特徴抽出を向上する新たな損失組織手法を提案する。
• 参考スコア（独自算出の注目度）: 6.92027612631023
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bottom-up based multi-person pose estimation approaches use heatmaps with auxiliary predictions to estimate joint positions and belonging at one time. Recently, various combinations between auxiliary predictions and heatmaps have been proposed for higher performance, these predictions are supervised by the corresponding L2 loss function directly. However, the lack of more explicit supervision results in low features utilization and contradictions between predictions in one model. To solve these problems, this paper proposes (i) a new loss organization method which uses self-supervised heatmaps to reduce prediction contradictions and spatial-sequential attention to enhance networks' features extraction; (ii) a new combination of predictions composed by heatmaps, Part Affinity Fields (PAFs) and our block-inside offsets to fix pixel-level joints positions and further demonstrates the effectiveness of proposed loss function. Experiments are conducted on the MS COCO keypoint dataset and adopting OpenPose as the baseline model. Our method outperforms the baseline overall. On the COCO verification dataset, the mAP of OpenPose trained with our proposals outperforms the OpenPose baseline by over 5.5%.
• Abstract（参考訳）: ボトムアップに基づく多対人ポーズ推定手法は、補助的な予測を伴うヒートマップを用いて関節位置を推定し、同時に属する。 近年, 補助予測とヒートマップの組合せにより高い性能が提案されており, これらの予測は対応するL2損失関数によって直接制御されている。 しかし、より明示的な監督の欠如は、1つのモデルにおける特徴利用率の低下と予測間の矛盾をもたらす。 これらの問題を解決するために,本論文は提案する。 一 自己監督型ヒートマップを用いて予測矛盾及び空間的注意を低減し、ネットワークの特徴抽出を強化する新たな損失組織方法 熱マップ,部分親和性フィールド (PAF) とブロック内オフセットによって構成される新たな予測の組み合わせにより,画素レベルの関節位置を固定し,さらに損失関数の有効性を示す。 MS COCOキーポイントデータセットで実験を行い、ベースラインモデルとしてOpenPoseを採用する。 提案手法は全体のベースラインを上回っている。 COCO検証データセットでは、私たちの提案でトレーニングされたOpenPoseのmAPが、OpenPoseベースラインを5.5%以上上回っています。

関連論文リスト

• Spectral Representation for Causal Estimation with Hidden Confounders [33.148766692274215]
  隠れた共同創設者が存在する場合の因果効果推定の問題に対処する。 本手法では,条件付き期待演算子の特異値分解とサドル点最適化問題を用いる。
  論文  参考訳（メタデータ） (2024-07-15T05:39:56Z)
• Hierarchical Forecasting at Scale [55.658563862299495]
  既存の階層予測技術は、時系列の数が増加するとスケールが低下する。 我々は,1つのボトムレベル予測モデルを用いて,数百万の時系列のコヒーレントな予測を学習することを提案する。 欧州の大規模なeコマースプラットフォームであるbolの既存の予測モデルにおいて、スパース階層的損失関数を実装した。
  論文  参考訳（メタデータ） (2023-10-19T15:06:31Z)
• LoLep: Single-View View Synthesis with Locally-Learned Planes and Self-Attention Occlusion Inference [66.45326873274908]
  本稿では,1枚のRGB画像から局所学習平面を回帰してシーンを正確に表現するLoLepを提案する。 MINEと比較して、LPIPSは4.8%-9.0%、RVは73.9%-83.5%である。
  論文  参考訳（メタデータ） (2023-07-23T03:38:55Z)
• Off-Policy Evaluation for Large Action Spaces via Conjunct Effect Modeling [30.835774920236872]
  大規模離散行動空間に対する文脈的帯域ポリシーの非政治的評価について検討する。 共役効果モデル (CEM) に基づく新しい推定器であるOffCEMを提案し, 因果効果をクラスター効果に分解し, 残留効果を示す。 実験により、OFCEMは特に多くのアクションが存在する場合、OPEを大幅に改善することが示された。
  論文  参考訳（メタデータ） (2023-05-14T04:16:40Z)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• Patch-level Gaze Distribution Prediction for Gaze Following [49.93340533068501]
  トレーニング後の視線に対するパッチ分布予測(PDP)手法を提案する。 本モデルでは,アノテーションの差が大きい画像上でのより優れたヒートマップ分布を予測することにより,MSE損失の正則化を図っている。 実験により,ターゲット予測とイン/アウト予測サブタスクのギャップを埋めるモデルが得られた。
  論文  参考訳（メタデータ） (2022-11-20T19:25:15Z)
• Heatmap Distribution Matching for Human Pose Estimation [12.524484316923333]
  このような方法で熱マップの予測を最適化することは、生体関節局所化のモデル性能を一貫して改善することができないことを示す。 本稿では, 熱マップ予測の最適化を, 予測熱マップと生体関節のドットアノテーションとの分布整合問題として定式化する。 提案手法の有効性を,COCOデータセットとMPIIデータセットの広範な実験により示す。
  論文  参考訳（メタデータ） (2022-10-03T07:21:30Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• Supervised PCA: A Multiobjective Approach [70.99924195791532]
  制御主成分分析法(SPCA) 本研究では,これらの目的を両立させる新しいSPCA手法を提案する。 この手法は、任意の教師付き学習損失に対応し、統計的再構成により、一般化された線形モデルの新しい低ランク拡張を提供する。
  論文  参考訳（メタデータ） (2020-11-10T18:46:58Z)
• DeeSCo: Deep heterogeneous ensemble with Stochastic Combinatory loss for gaze estimation [7.09232719022402]
  本研究では,2D/3D視線推定のためのヒートマップに基づく弱い予測器を,エンドツーエンドで訓練可能なアンサンブルとして導入する。 我々は,複数のデータセット上での2D/3D視線推定における最先端の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） (2020-04-15T14:06:31Z)

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。