論文の概要: Privacy-Preserving In-Bed Pose Monitoring: A Fusion and Reconstruction
Study
- arxiv url: http://arxiv.org/abs/2202.10704v1
- Date: Tue, 22 Feb 2022 07:24:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 15:32:17.799898
- Title: Privacy-Preserving In-Bed Pose Monitoring: A Fusion and Reconstruction
Study
- Title（参考訳）: プライバシー保護型ベッド内ポーズモニタリング:融合・再構成研究
- Authors: Thisun Dayarathna, Thamidu Muthukumarana, Yasiru Rathnayaka, Simon
Denman, Chathura de Silva, Akila Pemasiri, David Ahmedt-Aristizabal
- Abstract要約: ベッド内ポーズ推定における複数の非視覚的・プライバシー保護的モダリティの画像の有効利用について検討する。
まず,様々な画像モダリティからの情報を効果的に融合し,より優れたポーズ推定を行う。
次に,可視画像が利用できない場合のベッド内ポーズ推定を行うフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 9.474452908573111
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, in-bed human pose estimation has attracted the interest of
researchers due to its relevance to a wide range of healthcare applications.
Compared to the general problem of human pose estimation, in-bed pose
estimation has several inherent challenges, the most prominent being frequent
and severe occlusions caused by bedding. In this paper we explore the effective
use of images from multiple non-visual and privacy-preserving modalities such
as depth, long-wave infrared (LWIR) and pressure maps for the task of in-bed
pose estimation in two settings. First, we explore the effective fusion of
information from different imaging modalities for better pose estimation.
Secondly, we propose a framework that can estimate in-bed pose estimation when
visible images are unavailable, and demonstrate the applicability of fusion
methods to scenarios where only LWIR images are available. We analyze and
demonstrate the effect of fusing features from multiple modalities. For this
purpose, we consider four different techniques: 1) Addition, 2) Concatenation,
3) Fusion via learned modal weights, and 4) End-to-end fully trainable
approach; with a state-of-the-art pose estimation model. We also evaluate the
effect of reconstructing a data-rich modality (i.e., visible modality) from a
privacy-preserving modality with data scarcity (i.e., long-wavelength infrared)
for in-bed human pose estimation. For reconstruction, we use a conditional
generative adversarial network. We conduct ablative studies across different
design decisions of our framework. This includes selecting features with
different levels of granularity, using different fusion techniques, and varying
model parameters. Through extensive evaluations, we demonstrate that our method
produces on par or better results compared to the state-of-the-art.
- Abstract（参考訳）: 近年,広範囲の医療応用との関連から,ベッド内人間のポーズ推定が研究者の興味を惹きつけている。
ヒトのポーズ推定の一般的な問題と比較すると、ベッド内ポーズ推定にはいくつかの固有の課題があり、最も顕著なのは寝具による重篤な閉塞である。
本稿では, 奥行き, 長波赤外線 (lwir) , 圧力マップなどの複数の非視覚的, プライバシー保全的モダリティからのイメージを, ベッド内ポーズ推定のタスクに効果的に利用する方法について検討する。
まず,様々な画像モダリティからの情報を効果的に融合してポーズ推定を行う。
第2に、可視画像が利用できない場合のベッド内ポーズ推定を推定できるフレームワークを提案し、LWIR画像のみ使用可能なシナリオへの融合手法の適用性を実証する。
複数のモーダルから特徴を融合させる効果を解析・実証する。
この目的のために、我々は4つの異なる手法を検討する。
1)追加
2)連結
3)学習様相重みによる核融合,および
4) 最先端のポーズ推定モデルを用いて、エンドツーエンドで完全にトレーニング可能なアプローチ。
また,生体内ポーズ推定のためのデータ不足(長波長赤外)を伴うプライバシー保護モードから,データリッチなモダリティ(可視モダリティ)を再構築する効果も評価した。
再構成には条件付き生成対向ネットワークを用いる。
我々は、フレームワークのさまざまな設計決定にまたがってアブレーション研究を行います。
これには、粒度の異なる機能の選択、異なる融合技術の使用、様々なモデルパラメータが含まれる。
評価結果から,本手法は最先端技術と比較して,同等以上の結果が得られることを示した。
関連論文リスト
- A Simple Strategy for Body Estimation from Partial-View Images [8.05538560322898]
仮想試行と製品パーソナライズは、現代オンラインショッピングにおいてますます重要になってきており、正確な身体計測推定の必要性を強調している。
従来の研究では、RGB画像から3次元の身体形状を推定する研究が進んでいるが、画像中の人間の観察スケールは、距離と体次元の2つの未知の要因に依存するため、本質的に不明瞭である。
対象骨格を所望の位置に移動させ, スケールを正規化し, 両変数の関係を解消する, モジュラーで単純な高さ正規化法を提案する。
論文 参考訳（メタデータ） (2024-04-14T16:55:23Z) - DVMNet: Computing Relative Pose for Unseen Objects Beyond Hypotheses [59.51874686414509]
現在のアプローチは、多数の離散的なポーズ仮説を持つ連続的なポーズ表現を近似している。
本稿では,DVMNet(Deep Voxel Matching Network)を提案する。
提案手法は,最先端の手法に比べて計算コストの低い新しいオブジェクトに対して,より正確なポーズ推定を行う。
論文 参考訳（メタデータ） (2024-03-20T15:41:32Z) - DiffPose: SpatioTemporal Diffusion Model for Video-Based Human Pose
Estimation [16.32910684198013]
本稿では、条件付きヒートマップ生成問題として、ビデオに基づく人間のポーズ推定を定式化する新しい拡散アーキテクチャDiffPoseを提案する。
ポーズ推定タスクにおけるDiffPoseの特徴として,(i)複数のポーズ推定を組み合わせて予測精度を向上させる能力,(ii)モデルを再訓練することなく特徴改善のための反復的なステップ数を調整する能力,の2点を挙げる。
論文 参考訳（メタデータ） (2023-07-31T14:00:23Z) - Two Approaches to Supervised Image Segmentation [55.616364225463066]
本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。
ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。
代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
論文 参考訳（メタデータ） (2023-07-19T16:42:52Z) - 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) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Deep Bingham Networks: Dealing with Uncertainty and Ambiguity in Pose
Estimation [74.76155168705975]
Deep Bingham Networks (DBN)は、3Dデータに関するほぼすべての実生活アプリケーションで発生するポーズ関連の不確実性と曖昧性を扱うことができる。
DBNは、(i)異なる分布モードを生成できる多仮説予測ヘッドにより、アートダイレクトポーズ回帰ネットワークの状態を拡張する。
トレーニング中のモードや後方崩壊を回避し,数値安定性を向上させるための新しいトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2020-12-20T19:20:26Z) - AdaFuse: Adaptive Multiview Fusion for Accurate Human Pose Estimation in
the Wild [77.43884383743872]
本稿では,アダプティブなマルチビュー融合手法であるAdaFuseについて述べる。
我々は、Human3.6M、Total Capture、CMU Panopticの3つの公開データセットに対するアプローチを広く評価した。
また,大規模合成データセットOcclusion-Personを作成し,咬合関節の数値評価を行う。
論文 参考訳（メタデータ） (2020-10-26T03:19:46Z) - Multi-person 3D Pose Estimation in Crowded Scenes Based on Multi-View
Geometry [62.29762409558553]
マルチパーソナライズされた3次元ポーズ推定手法における特徴マッチングと深さ推定のコアは、エピポーラ制約である。
スパサーの群衆シーンにおけるこの定式化の良好なパフォーマンスにもかかわらず、その効果はより密集した群衆の状況下でしばしば挑戦される。
本稿では,マルチパーソン3次元ポーズ推定式から脱却し,群衆ポーズ推定として再編成する。
論文 参考訳（メタデータ） (2020-07-21T17:59:36Z) - MirrorNet: A Deep Bayesian Approach to Reflective 2D Pose Estimation
from Human Images [42.27703025887059]
標準的な教師ありアプローチの大きな問題は、しばしば解剖学的に不可解なポーズをもたらすことである。
ポーズアノテーションを使わずに画像を効果的に活用できる半教師付き手法を提案する。
実験の結果,提案した反射型アーキテクチャが解剖学的に妥当なポーズを推定できることが示唆された。
論文 参考訳（メタデータ） (2020-04-08T05:02:48Z)
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。