論文の概要: Self-Constrained Inference Optimization on Structural Groups for Human Pose Estimation

• arxiv url: http://arxiv.org/abs/2207.02425v1
• Date: Wed, 6 Jul 2022 03:53:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-07 12:52:58.938527
• Title: Self-Constrained Inference Optimization on Structural Groups for Human Pose Estimation
• Title（参考訳）: 人文推定のための構造群に対する自己拘束型推論最適化
• Authors: Zhehan Kan, Shuoshuo Chen, Zeng Li, Zhihai He
• Abstract要約: ヒトのポーズ推定の精度とロバスト性を改善するために群構造相関を探索することができる。 我々は,学習中のキーポイント間の構造的相関を特徴付け,学習するための,自己制約付き予測検証ネットワークを開発した。 推論の段階では,検証ネットワークからのフィードバック情報により,ポーズ予測のさらなる最適化を行うことができる。
• 参考スコア（独自算出の注目度）: 19.630070553319506
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We observe that human poses exhibit strong group-wise structural correlation and spatial coupling between keypoints due to the biological constraints of different body parts. This group-wise structural correlation can be explored to improve the accuracy and robustness of human pose estimation. In this work, we develop a self-constrained prediction-verification network to characterize and learn the structural correlation between keypoints during training. During the inference stage, the feedback information from the verification network allows us to perform further optimization of pose prediction, which significantly improves the performance of human pose estimation. Specifically, we partition the keypoints into groups according to the biological structure of human body. Within each group, the keypoints are further partitioned into two subsets, high-confidence base keypoints and low-confidence terminal keypoints. We develop a self-constrained prediction-verification network to perform forward and backward predictions between these keypoint subsets. One fundamental challenge in pose estimation, as well as in generic prediction tasks, is that there is no mechanism for us to verify if the obtained pose estimation or prediction results are accurate or not, since the ground truth is not available. Once successfully learned, the verification network serves as an accuracy verification module for the forward pose prediction. During the inference stage, it can be used to guide the local optimization of the pose estimation results of low-confidence keypoints with the self-constrained loss on high-confidence keypoints as the objective function. Our extensive experimental results on benchmark MS COCO and CrowdPose datasets demonstrate that the proposed method can significantly improve the pose estimation results.
• Abstract（参考訳）: 人間のポーズは、異なる身体部位の生物学的制約によって、キーポイント間の空間的結合と強いグループ的構造相関を示すことが観察される。 このグループ的な構造相関は、人間のポーズ推定の精度とロバスト性を改善するために研究することができる。 本研究では,学習中のキーポイント間の構造的相関を特徴付ける自己制約付き予測検証ネットワークを開発した。 推定段階では、検証ネットワークからのフィードバック情報により、ポーズ予測のさらなる最適化が可能となり、人間のポーズ推定の性能が大幅に向上する。 具体的には、キーポイントを人体の生物学的構造に応じてグループに分割する。 各グループ内のキーポイントは、高信頼ベースキーポイントと低信頼端末キーポイントの2つのサブセットに分割される。 我々はこれらのキーポイントサブセット間の前方および後方予測を行う自己制約付き予測検証ネットワークを開発した。 一般的な予測タスクと同様に、ポーズ推定の基本的な課題の一つとして、得られたポーズ推定や予測結果が正確かどうかを検証するためのメカニズムが存在しないことが挙げられる。 一旦学習が成功すれば、検証ネットワークは前方姿勢予測の精度検証モジュールとして機能する。 推定段階では、高信頼鍵点に対する自己拘束的損失を目的関数として、低信頼鍵点のポーズ推定結果の局所最適化を導出することができる。 ベンチマークms cocoおよびcrowdposeデータセットの広範な実験結果から,提案手法がポーズ推定結果を大幅に改善することを示す。

関連論文リスト

• Occluded Human Pose Estimation based on Limb Joint Augmentation [14.36131862057872]
  そこで本研究では,人体におけるポーズ推定モデルの一般化能力を高めるために,手足関節拡張に基づく閉鎖型ポーズ推定フレームワークを提案する。 モデルの局所化能力を高めるために,手足グラフに基づく動的構造損失関数を構築し,閉塞した関節の分布を探索する。
  論文  参考訳（メタデータ） (2024-10-13T15:48:24Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• 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)
• Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
  本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。 学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。 提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-11T23:31:34Z)
• Bottom-Up Human Pose Estimation Via Disentangled Keypoint Regression [81.05772887221333]
  従来のキーポイント検出およびグループ化フレームワークに劣る密度の高いキーポイント回帰フレームワークについて検討する。 我々は,dekr(disentangled keypoint regression)という,単純かつ効果的な手法を提案する。 提案手法はキーポイント検出法やグループ化法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-06T05:54:46Z)
• Confidence Adaptive Anytime Pixel-Level Recognition [86.75784498879354]
  任意の時間推論は、いつでも停止される可能性のある予測の進行を行うモデルを必要とする。 我々は,任意のピクセルレベルの認識に対して,最初の統一とエンドツーエンドのモデルアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-01T20:01:57Z)
• TFPose: Direct Human Pose Estimation with Transformers [83.03424247905869]
  ポーズ推定タスクを変換器で効果的に解くことができるシーケンス予測問題に定式化します。 我々のフレームワークは単純で直接的であり、ヒートマップに基づくポーズ推定の欠点を回避している。 MS-COCOおよびMPIIデータセットの実験は、この手法が回帰ベースのポーズ推定の最先端を大幅に改善できることを示しています。
  論文  参考訳（メタデータ） (2021-03-29T04:18:54Z)
• Shape Consistent 2D Keypoint Estimation under Domain Shift [35.15266729401601]
  ドメインシフトの下でキーポイントを推定するための新しい深層適応フレームワークを提案する。 本手法は,機能アライメント,対人訓練,自己超越という3つの構成要素をシームレスに結合する。 提案手法は,2次元キーポイント予測タスクにおける最先端領域適応手法より優れている。
  論文  参考訳（メタデータ） (2020-08-04T14:32:06Z)
• Bottom-Up Human Pose Estimation by Ranking Heatmap-Guided Adaptive Keypoint Estimates [76.51095823248104]
  キーポイント検出とグループ化(キーポイント回帰)性能を改善するために,これまでにほとんど,あるいはまったく研究されていないいくつかのスキームを提案する。 まず,画素単位のキーポイントレグレッションに対して,キーポイントのリグレッションを改善するために分離する代わりに,キーポイントのヒートマップを利用する。 第2に、スケールと向きの分散を扱うための適応表現を学習するために、画素単位の空間変換器ネットワークを採用する。 第3に,真のポーズとなる確率の高い推定ポーズを促進するために,結合形状と熱値評価手法を提案する。
  論文  参考訳（メタデータ） (2020-06-28T01:14:59Z)

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。