Fugu-MT 論文翻訳(概要): TriHorn-Net: A Model for Accurate Depth-Based 3D Hand Pose Estimation

論文の概要: TriHorn-Net: A Model for Accurate Depth-Based 3D Hand Pose Estimation

arxiv url: http://arxiv.org/abs/2206.07117v1
Date: Tue, 14 Jun 2022 19:08:42 GMT
ステータス: 処理完了
システム内更新日: 2022-06-16 14:17:14.562140
Title: TriHorn-Net: A Model for Accurate Depth-Based 3D Hand Pose Estimation
Title（参考訳）: TriHorn-Net: 正確な深度に基づく3次元ハンドマップ推定モデル
Authors: Mohammad Rezaei, Razieh Rastgoo, and Vassilis Athitsos
Abstract要約: TriHorn-Netは、ディープイメージのポーズ推定精度を改善するために、特定のイノベーションを使用する新しいモデルである。第1の革新は、深度画像空間における2次元関節位置推定への3次元手ポーズ推定の分解である。第2のイノベーションはPixDropoutで、私たちの知る限り、手深度画像のための最初の外見に基づくデータ拡張手法です。
参考スコア（独自算出の注目度）: 8.946655323517092
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: 3D hand pose estimation methods have made significant progress recently. However, estimation accuracy is often far from sufficient for specific real-world applications, and thus there is significant room for improvement. This paper proposes TriHorn-Net, a novel model that uses specific innovations to improve hand pose estimation accuracy on depth images. The first innovation is the decomposition of the 3D hand pose estimation into the estimation of 2D joint locations in the depth image space (UV), and the estimation of their corresponding depths aided by two complementary attention maps. This decomposition prevents depth estimation, which is a more difficult task, from interfering with the UV estimations at both the prediction and feature levels. The second innovation is PixDropout, which is, to the best of our knowledge, the first appearance-based data augmentation method for hand depth images. Experimental results demonstrate that the proposed model outperforms the state-of-the-art methods on three public benchmark datasets.
Abstract（参考訳）: 3次元手ポーズ推定法は近年大きな進歩を遂げている。しかし、推定精度は特定の現実世界のアプリケーションには十分ではないことが多いため、改善の余地は大きい。本稿では,深度画像のポーズ推定精度を向上させるために,特定のイノベーションを利用する新しいモデルであるTriHorn-Netを提案する。第1の革新は、深度画像空間(UV)における2次元関節位置の推定への3Dハンドポーズ推定の分解と、2つの補完的な注意マップによる対応する深さの推定である。この分解により、より困難なタスクである深さ推定が、予測レベルと特徴レベルの両方で紫外線推定に干渉することを防止する。第2のイノベーションはPixDropoutで、私たちの知る限り、手深画像のための最初の外観に基づくデータ拡張手法です。実験により,提案モデルが3つの公開ベンチマークデータセット上で最先端の手法より優れていることが示された。

関連論文リスト

UPose3D: Uncertainty-Aware 3D Human Pose Estimation with Cross-View and Temporal Cues [55.69339788566899]
UPose3Dは多視点人間のポーズ推定のための新しいアプローチである。直接的な3Dアノテーションを必要とせずに、堅牢性と柔軟性を向上させる。
論文参考訳（メタデータ） (2024-04-23T00:18:00Z)
HandDiff: 3D Hand Pose Estimation with Diffusion on Image-Point Cloud [60.47544798202017]
ハンドポーズ推定は、様々な人間とコンピュータの相互作用アプリケーションにおいて重要なタスクである。本論文は,手形画像点雲上での正確な手ポーズを反復的に認知する拡散型手ポーズ推定モデルであるHandDiffを提案する。実験の結果,提案したHandDiffは,4つの挑戦的なハンドポーズベンチマークデータセットにおいて,既存のアプローチよりも大幅に優れていた。
論文参考訳（メタデータ） (2024-04-04T02:15:16Z)
Towards Accurate Reconstruction of 3D Scene Shape from A Single Monocular Image [91.71077190961688]
まず、未知のスケールまで深さを予測し、単一の単眼画像からシフトする2段階のフレームワークを提案する。次に、3Dポイントの雲のデータを利用して、奥行きの変化とカメラの焦点距離を予測し、3Dシーンの形状を復元します。我々は9つの未知のデータセットで深度モデルを検証し、ゼロショット評価で最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2022-08-28T16:20:14Z)
Mutual Adaptive Reasoning for Monocular 3D Multi-Person Pose Estimation [45.06447187321217]
既存のボトムアップ手法のほとんどは、カメラ中心の人間のポーズ推定を2つの無関係なサブタスクとして扱う。両サブタスクの相互利益を利用する統一モデルを提案する。私たちのモデルは、既存のボトムアップメソッドやトップダウンメソッドよりもはるかに高速に動作します。
論文参考訳（メタデータ） (2022-07-16T10:54:40Z)
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)
On the role of depth predictions for 3D human pose estimation [0.04199844472131921]
推定深度値とともに2dジョイント位置を入力とし、3d位置をカメラ座標で予測するシステムを構築します。結果は低次元の入力を受け入れ、リアルタイムシステムに統合されるニューラルネットワークで生成されます。本システムは市販の2dポーズ検出器と深度マップ予測器と組み合わせて野生での3dポーズ推定を行うことができる。
論文参考訳（メタデータ） (2021-03-03T16:51:38Z)
DGGAN: Depth-image Guided Generative Adversarial Networks for Disentangling RGB and Depth Images in 3D Hand Pose Estimation [33.23818997206978]
RGB画像から3Dハンドポーズを推定することは、広範囲の潜在的な応用に不可欠であるが、RGB画像からの深部情報の推測においてかなりの曖昧さのために困難である。本稿では,DGGAN(Depth-image Guided GAN)と呼ばれる条件付き生成対向ネットワーク(GAN)モデルを提案する。 DGGANにより合成された深度マップは, 目的推定モデルの正規化に極めて有効であることを示す。
論文参考訳（メタデータ） (2020-12-06T07:23:21Z)
Residual Pose: A Decoupled Approach for Depth-based 3D Human Pose Estimation [18.103595280706593]
我々は,CNNによる信頼度の高い2次元ポーズ推定の最近の進歩を活用し,深度画像から人物の3次元ポーズを推定する。提案手法は2つの公開データセットの精度と速度の両面で非常に競争力のある結果が得られる。
論文参考訳（メタデータ） (2020-11-10T10:08:13Z)
Synthetic Training for Monocular Human Mesh Recovery [100.38109761268639]
本稿では,RGB画像と大規模に異なる複数の身体部位の3次元メッシュを推定することを目的とする。主な課題は、2D画像のすべての身体部分の3Dアノテーションを完備するトレーニングデータがないことである。本稿では,D2S(Deep-to-scale)投影法を提案する。
論文参考訳（メタデータ） (2020-10-27T03:31:35Z)
HandVoxNet: Deep Voxel-Based Network for 3D Hand Shape and Pose Estimation from a Single Depth Map [72.93634777578336]
弱教師付き方式で3次元畳み込みを訓練した新しいアーキテクチャを提案する。提案されたアプローチは、SynHand5Mデータセット上で、アートの状態を47.8%改善する。我々の手法は、NYUとBigHand2.2Mデータセットで視覚的により合理的で現実的な手形を生成する。
論文参考訳（メタデータ） (2020-04-03T14:27:16Z)
Silhouette-Net: 3D Hand Pose Estimation from Silhouettes [16.266199156878056]
既存のアプローチは主に、モノクラーRGB、マルチビューRGB、ディープ、ポイントクラウドなど、異なる入力モダリティと設定を考慮に入れている。暗黙の奥行き認識からガイダンスを自動的に学習し、エンドツーエンドのトレーニングを通じてポーズのあいまいさを解決する新しいアーキテクチャを提案する。
論文参考訳（メタデータ） (2019-12-28T10:29:42Z)

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。