論文の概要: Under the Cover Infant Pose Estimation using Multimodal Data

• arxiv url: http://arxiv.org/abs/2210.00662v1
• Date: Mon, 3 Oct 2022 00:34:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 15:45:15.230982
• Title: Under the Cover Infant Pose Estimation using Multimodal Data
• Title（参考訳）: マルチモーダルデータを用いたカバー幼児率推定
• Authors: Daniel G. Kyrollos, Anthony Fuller, Kim Greenwood, JoAnn Harrold and James R. Green
• Abstract要約: 対象児のポーズ推定のための新しいデータセットMannequin Lying pose (SMaL) を提案する。 我々は,技量推定の訓練により,全身のポーズを表紙下で推測することに成功した。 最高性能モデルでは,25mm 86%以内で関節を検出でき,全体の平均誤差は16.9mmであった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Infant pose monitoring during sleep has multiple applications in both healthcare and home settings. In a healthcare setting, pose detection can be used for region of interest detection and movement detection for noncontact based monitoring systems. In a home setting, pose detection can be used to detect sleep positions which has shown to have a strong influence on multiple health factors. However, pose monitoring during sleep is challenging due to heavy occlusions from blanket coverings and low lighting. To address this, we present a novel dataset, Simultaneously-collected multimodal Mannequin Lying pose (SMaL) dataset, for under the cover infant pose estimation. We collect depth and pressure imagery of an infant mannequin in different poses under various cover conditions. We successfully infer full body pose under the cover by training state-of-art pose estimation methods and leveraging existing multimodal adult pose datasets for transfer learning. We demonstrate a hierarchical pretraining strategy for transformer-based models to significantly improve performance on our dataset. Our best performing model was able to detect joints under the cover within 25mm 86% of the time with an overall mean error of 16.9mm. Data, code and models publicly available at https://github.com/DanielKyr/SMaL
• Abstract（参考訳）: 乳幼児の睡眠中のポーズモニタリングは、医療と家庭の両方で複数の応用がある。 医療環境では、非接触型監視システムにおける興味検出及び動き検出の領域にポーズ検出を用いることができる。 ホーム設定では、複数の健康要因に強い影響を与えている睡眠位置を検出するために、ポーズ検出を使用することができる。 しかし, 睡眠中の姿勢モニタリングは, 毛布カバーの閉塞や照明の低下などにより困難である。 そこで,本稿では,幼児のポーズ推定のための新しいデータセットであるsmal(multimodal mannequin lying pose)データセットを提案する。 種々のカバー条件下で異なるポーズで乳児マネキンの深度と圧力像を収集した。 我々は,最先端のポーズ推定法を訓練し,既存のマルチモーダルアダルトポーズデータセットを伝達学習に活用することにより,カバー下でのフルボディポーズの推測に成功した。 我々は,データセットの性能を大幅に向上させるトランスフォーマーモデルのための階層的事前学習戦略を示す。 最高性能モデルでは25mm 86%の範囲で関節を検出でき,全体の平均誤差は16.9mmであった。 データ、コード、モデルはhttps://github.com/DanielKyr/SMaLで公開されている

関連論文リスト

• PoseBench: Benchmarking the Robustness of Pose Estimation Models under Corruptions [57.871692507044344]
  ポース推定は、単眼画像を用いて人や動物の解剖学的キーポイントを正確に同定することを目的としている。 現在のモデルは一般的に、クリーンなデータに基づいてトレーニングされ、テストされる。 実世界の腐敗に対するポーズ推定モデルの堅牢性を評価するためのベンチマークであるPoseBenchを紹介する。
  論文  参考訳（メタデータ） (2024-06-20T14:40:17Z)
• AggPose: Deep Aggregation Vision Transformer for Infant Pose Estimation [6.9000851935487075]
  幼児のポーズデータセットと人間のポーズ推定のためのDeep Aggregation Vision Transformerを提案する。 AggPoseは、畳み込み操作を使わずに、早く訓練されたフルトランスフォーマーフレームワークである。 AggPose は,様々な解像度のマルチスケール特徴を効果的に学習し,幼児のポーズ推定の性能を大幅に向上できることを示した。
  論文  参考訳（メタデータ） (2022-05-11T05:34:14Z)
• Vogtareuth Rehab Depth Datasets: Benchmark for Marker-less Posture Estimation in Rehabilitation [55.41644538483948]
  本研究では,リハビリテーションを行う患者の深度画像と2次元ポーズ情報を含む2つのリハビリテーション特異的ポーズデータセットを提案する。 我々は、非リハブベンチマークデータセットに基づいてトレーニングされた、最先端のマーカーレス姿勢推定モデルを用いている。 私たちのデータセットは、リハビリ特有の複雑な姿勢を検出するために、ポーズモデルを訓練するのに使用できます。
  論文  参考訳（メタデータ） (2021-08-23T16:18:26Z)
• Learning Dynamics via Graph Neural Networks for Human Pose Estimation and Tracking [98.91894395941766]
  ポーズ検出とは無関係なポーズダイナミクスを学習する新しいオンライン手法を提案する。 具体的には、空間的・時間的情報と視覚的情報の両方を明示的に考慮したグラフニューラルネットワーク(GNN)を通して、このダイナミクスの予測を導出する。 PoseTrack 2017とPoseTrack 2018データセットの実験では、提案手法が人間のポーズ推定とトラッキングタスクの両方において、技術の現状よりも優れた結果が得られることを示した。
  論文  参考訳（メタデータ） (2021-06-07T16:36:50Z)
• Unsupervised Human Pose Estimation through Transforming Shape Templates [2.729524133721473]
  本研究では,成人および乳幼児のポーズ推定を教師なしで学習するための新しい手法を提案する。 成人と幼児を含む2つの異なるデータセットに対するアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-05-10T07:15:56Z)
• Multimodal In-bed Pose and Shape Estimation under the Blankets [77.12439296395733]
  マルチモーダルセンサが捉えた知識を最大限活用するために,様々なモダリティを融合するピラミッド方式を提案する。 我々は注意に基づく再構築モジュールを用いて検出されたモダリティを生成し,現在の推定値を更新するためにさらに融合する。
  論文  参考訳（メタデータ） (2020-12-12T05:35:23Z)
• Invariant Representation Learning for Infant Pose Estimation with Small Data [14.91506452479778]
  合成乳児ポーズと合成乳幼児ポーズとを併用したハイブリッド合成乳幼児ポーズデータセットを作成した。 我々は,SyRIPデータセットでトレーニングしたモデルと同一ネットワーク構造を用いたアブレーション調査を行い,他の公立幼児ポーズデータセットでトレーニングしたモデルよりも顕著に改善したことを示した。 最新のDarkPoseモデルを用いた幼児のポーズ推定では、平均的精度(mAP)は93.6である。
  論文  参考訳（メタデータ） (2020-10-13T01:10:14Z)
• Simultaneously-Collected Multimodal Lying Pose Dataset: Towards In-Bed Human Pose Monitoring under Adverse Vision Conditions [15.12849597272402]
  ベッド内の人間のポーズ推定は多くの医療応用において重要な価値を持っている。 本稿では,同時コンパイル型マルチモーダルLying Poseデータセットについて紹介する。 現状の2Dポーズ推定モデルは,PCKh@0.5において最大95%の性能を期待できるSLPデータを用いて,単一モードで効果的に訓練できることを示す。
  論文  参考訳（メタデータ） (2020-08-20T02:20:35Z)
• Little Motion, Big Results: Using Motion Magnification to Reveal Subtle Tremors in Infants [0.0]
  妊娠中にオピオイドに曝露された幼児は、出生後に退院の兆候や症状がしばしば現れる。 新生児失禁症候群(Neonatal Abstinence Syndrome,NAS)と呼ばれる臨床像の星座には、震動、発作、刺激性などが含まれる。 FNASSによるモニタリングは、高度に熟練した看護スタッフを必要とし、継続的な監視を困難にしている。 本稿では,増幅された動き信号を用いた地震自動検出システムを提案する。
  論文  参考訳（メタデータ） (2020-08-01T15:35:55Z)
• 6D Camera Relocalization in Ambiguous Scenes via Continuous Multimodal Inference [67.70859730448473]
  あいまいさと不確かさを捉えるマルチモーダルカメラ再ローカライズフレームワークを提案する。 我々は、複数のカメラのポーズ仮説を予測し、それぞれの予測の不確実性も予測する。 あいまいな環境下でのカメラローカライゼーション研究を促進するための新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2020-04-09T20:55:06Z)
• Self-Supervised 3D Human Pose Estimation via Part Guided Novel Image Synthesis [72.34794624243281]
  ラベルのないビデオフレームからバリエーションを分離する自己教師付き学習フレームワークを提案する。 3Dポーズと空間部分マップの表現ギャップを埋める、微分可能な形式化により、多様なカメラの動きを持つビデオで操作できる。
  論文  参考訳（メタデータ） (2020-04-09T07:55:01Z)

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。