論文の概要: Bottom-up approaches for multi-person pose estimation and it's applications: A brief review

• arxiv url: http://arxiv.org/abs/2112.11834v1
• Date: Wed, 22 Dec 2021 12:20:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-23 15:03:11.427277
• Title: Bottom-up approaches for multi-person pose estimation and it's applications: A brief review
• Title（参考訳）: 多人数ポーズ推定のためのボトムアップ手法とその応用:簡単なレビュー
• Authors: Milan Kresovi\'c, Thong Duy Nguyen
• Abstract要約: HPE(Human Pose Estimation)は、コンピュータビジョンにおける基本的な問題の一つである。 仮想現実、人間の行動分析、ビデオ監視、異常検出、自動運転から医療支援まで、さまざまな応用がある。 1つのパラダイムはボトムアップ・マルチパーソン・ポーズ推定と呼ばれる。 ボトムアップアプローチでは、対象のすべてのキーポイントが検出され、後段の最適化段階では、検出されたキーポイントが対応するターゲットに関連付けられている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human Pose Estimation (HPE) is one of the fundamental problems in computer vision. It has applications ranging from virtual reality, human behavior analysis, video surveillance, anomaly detection, self-driving to medical assistance. The main objective of HPE is to obtain the person's posture from the given input. Among different paradigms for HPE, one paradigm is called bottom-up multi-person pose estimation. In the bottom-up approach, initially, all the key points of the targets are detected, and later in the optimization stage, the detected key points are associated with the corresponding targets. This review paper discussed the recent advancements in bottom-up approaches for the HPE and listed the possible high-quality datasets used to train the models. Additionally, a discussion of the prominent bottom-up approaches and their quantitative results on the standard performance matrices are given. Finally, the limitations of the existing methods are highlighted, and guidelines of the future research directions are given.
• Abstract（参考訳）: HPE(Human Pose Estimation)は、コンピュータビジョンにおける基本的な問題の一つである。 仮想現実、人間の行動分析、ビデオ監視、異常検出、自動運転から医療支援まで、さまざまな応用がある。 HPEの主な目的は、与えられた入力から人の姿勢を取得することである。 HPEの様々なパラダイムの中で、1つのパラダイムはボトムアップマルチパーソンポーズ推定と呼ばれる。 ボトムアップアプローチでは、まず、対象のすべてのキーポイントを検出し、その後、最適化段階では、検出されたキーポイントを対応するターゲットに関連付ける。 本稿では、HPEのボトムアップアプローチの最近の進歩について論じ、モデルのトレーニングに使用される高品質なデータセットを列挙する。 さらに、顕著なボトムアップアプローチとその標準性能行列に関する定量的結果について論じる。 最後に,既存手法の限界を強調し,今後の研究方針のガイドラインを提示する。

関連論文リスト

• 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)
• UniHPE: Towards Unified Human Pose Estimation via Contrastive Learning [29.037799937729687]
  2次元と3次元の人間の姿勢推定(HPE)はコンピュータビジョンにおける2つの重要な知覚的タスクである。 提案するUniHPEは,3つのモードの全ての特徴を整列する,統一されたヒューマンポーズ推定パイプラインである。 提案手法は,コンピュータビジョンの分野を前進させ,様々な応用に寄与する大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-11-24T21:55:34Z)
• Interactive Hyperparameter Optimization in Multi-Objective Problems via Preference Learning [65.51668094117802]
  我々は多目的機械学習(ML)に適した人間中心型対話型HPO手法を提案する。 ユーザが自分のニーズに最も適した指標を推測する代わりに、私たちのアプローチは自動的に適切な指標を学習します。
  論文  参考訳（メタデータ） (2023-09-07T09:22:05Z)
• 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)
• Bottom-Up 2D Pose Estimation via Dual Anatomical Centers for Small-Scale Persons [75.86463396561744]
  マルチパーソン2Dポーズ推定では、ボトムアップ手法は同時にすべての人のポーズを予測する。 本手法は,バウンディングボックス精度を38.4%改善し,バウンディングボックスリコールを39.1%改善した。 ヒトのポーズAP評価では,COCOテストデフセット上で新しいSOTA(71.0 AP)を単一スケールテストで達成する。
  論文  参考訳（メタデータ） (2022-08-25T10:09:10Z)
• A survey of top-down approaches for human pose estimation [0.0]
  Deep Learningで実装された最先端の手法は、人間のポーズ推定の分野で顕著な成果をもたらした。 本稿では,人々のポーズを認識するための深層学習手法に基づく2次元画像の広範なレビューを新参者に提供することを目的とする。
  論文  参考訳（メタデータ） (2022-02-05T23:27:46Z)
• Rethinking Keypoint Representations: Modeling Keypoints and Poses as Objects for Multi-Person Human Pose Estimation [79.78017059539526]
  本研究では,個々のキーポイントと空間的関連キーポイント(ポーズ)の集合を,密集した単一ステージアンカーベース検出フレームワーク内のオブジェクトとしてモデル化する,新しいヒートマップフリーなキーポイント推定手法を提案する。 実験では, KAPAOは従来手法よりもはるかに高速かつ高精度であり, 熱マップ後処理に悩まされていた。 我々の大規模モデルであるKAPAO-Lは、テスト時間拡張なしでMicrosoft COCO Keypoints検証セット上で70.6のAPを達成する。
  論文  参考訳（メタデータ） (2021-11-16T15:36:44Z)
• TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
  TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。 実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。 評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
  論文  参考訳（メタデータ） (2021-04-08T20:01:00Z)
• Deep Learning-Based Human Pose Estimation: A Survey [66.01917727294163]
  人間のポーズ推定は、過去10年間に注目を集めてきた。 ヒューマン・コンピュータ・インタラクション、モーション・アナリティクス、拡張現実、バーチャル・リアリティーなど幅広い用途で利用されている。 最近のディープラーニングベースのソリューションは、人間のポーズ推定において高いパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2020-12-24T18:49:06Z)
• SMPR: Single-Stage Multi-Person Pose Regression [41.096103136666834]
  SMPRと呼ばれる新しいシングルステージ多人数ポーズレグレッションが提示される。 これは、密集した予測のパラダイムに従い、すべての場所からインスタンス対応キーポイントを予測する。 提案手法は,既存の単段法よりも優れているだけでなく,最新のボトムアップ法と競合することを示す。
  論文  参考訳（メタデータ） (2020-06-28T11:26:38Z)

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。