論文の概要: Multi-hypothesis 3D human pose estimation metrics favor miscalibrated distributions

• arxiv url: http://arxiv.org/abs/2210.11179v1
• Date: Thu, 20 Oct 2022 11:47:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 13:56:24.702105
• Title: Multi-hypothesis 3D human pose estimation metrics favor miscalibrated distributions
• Title（参考訳）: マルチハイポテーシス3次元人間のポーズ推定指標は誤校正分布を好む
• Authors: Pawe{\l} A. Pierzchlewicz, R. James Cotton, Mohammad Bashiri, Fabian H. Sinz
• Abstract要約: よく校正された分布は曖昧さを明確にし、下流のタスクの不確実性を維持することができる。 誤校正は、minMPJPEなどのサンプルベースメトリクスの使用によるものである。 この問題を軽減するために,条件付きグラフ正規化フロー (CGNF) と呼ばれる,精度よく校正されたモデルを提案する。
• 参考スコア（独自算出の注目度）: 3.8575800313102806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to depth ambiguities and occlusions, lifting 2D poses to 3D is a highly ill-posed problem. Well-calibrated distributions of possible poses can make these ambiguities explicit and preserve the resulting uncertainty for downstream tasks. This study shows that previous attempts, which account for these ambiguities via multiple hypotheses generation, produce miscalibrated distributions. We identify that miscalibration can be attributed to the use of sample-based metrics such as minMPJPE. In a series of simulations, we show that minimizing minMPJPE, as commonly done, should converge to the correct mean prediction. However, it fails to correctly capture the uncertainty, thus resulting in a miscalibrated distribution. To mitigate this problem, we propose an accurate and well-calibrated model called Conditional Graph Normalizing Flow (cGNFs). Our model is structured such that a single cGNF can estimate both conditional and marginal densities within the same model - effectively solving a zero-shot density estimation problem. We evaluate cGNF on the Human~3.6M dataset and show that cGNF provides a well-calibrated distribution estimate while being close to state-of-the-art in terms of overall minMPJPE. Furthermore, cGNF outperforms previous methods on occluded joints while it remains well-calibrated.
• Abstract（参考訳）: 深さの曖昧さと咬合のため、2dのポーズを3dに持ち上げるのは非常に不適切な問題である。 可能なポーズの適切に調整された分布は、これらの曖昧さを明確化し、下流タスクの結果として生じる不確実性を保つことができる。 本研究は、これらの曖昧さを複数の仮説生成によって説明する以前の試みが、誤校正分布を生じさせることを示唆している。 誤校正は、minMPJPEなどのサンプルベースメトリクスの使用によるものである。 一連のシミュレーションにおいて, minMPJPE の最小化は, 一般的に行われているように, 正しい平均予測に収束することを示す。 しかし、不確かさを正しく捉えることができず、その結果、誤校正分布となる。 この問題を軽減するために,条件付きグラフ正規化フロー (CGNFs) と呼ばれる,精度よく校正されたモデルを提案する。 本モデルでは, 1つのcGNFが同一モデル内の条件密度と限界密度の両方を推定できるように構成し, ゼロショット密度推定問題を効果的に解く。 我々は,人間~3.6mデータセット上でのcgnfの評価を行い,全体のminmpjpeの観点から,cgnfが最先端の分布推定を提供することを示した。 さらに, cgnfは, 咬合関節の従来法を上回っているが, 良好な適合性が維持されている。

関連論文リスト

• Utilizing Uncertainty in 2D Pose Detectors for Probabilistic 3D Human Mesh Recovery [23.473909489868454]
  確率論的アプローチは 有望な3次元メッシュ上の分布を学習する この目的関数だけでは、全分布を捉えるのに十分ではないことを示す。 トレーニング中,被験者のセグメンテーションマスクを利用することで,不正なサンプルの数を著しく削減できることを実証した。
  論文  参考訳（メタデータ） (2024-11-25T11:13:12Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  本報告では,明示的な次元の一般スコアミスマッチ拡散サンプリング器を用いた最初の性能保証について述べる。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Robust Conformal Volume Estimation in 3D Medical Images [0.5799785223420274]
  ボリュームトリは3次元医用画像セグメンテーションの主要な下流応用の1つである。 セグメンテーションモデルにより生成された圧縮潜在表現に基づく密度比推定の効率的な手法を提案する。
  論文  参考訳（メタデータ） (2024-07-29T12:18:07Z)
• HuManiFlow: Ancestor-Conditioned Normalising Flows on SO(3) Manifolds for Human Pose and Shape Distribution Estimation [27.14060158187953]
  近年のアプローチでは、画像上に条件付き3次元ポーズと形状パラメータの確率分布が予測されている。 これらの手法が3つの重要な特性のトレードオフを示すことを示す。 我々の手法であるHuManiFlowは、同時に正確で一貫性があり多様な分布を予測する。
  論文  参考訳（メタデータ） (2023-05-11T16:49:19Z)
• Probabilistic 3D segmentation for aleatoric uncertainty quantification in full 3D medical data [7.615431940103322]
  正規化フローを付加した3次元確率的セグメンテーションフレームワークを開発した。 私たちは初めて、0.401の3D角形一般エネルギー距離(GED)と、高い0.468のハンガリー製の3D IoUを提示しました。
  論文  参考訳（メタデータ） (2023-05-01T17:19:20Z)
• Convergence of the Inexact Langevin Algorithm and Score-based Generative Models in KL Divergence [4.974890682815778]
  Inexact Langevin Dynamics (ILD), Inexact Langevin Algorithm (ILA), and Score-based Generative Modeling (SGM) について検討を行った。
  論文  参考訳（メタデータ） (2022-11-02T23:12:59Z)
• Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
  本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。 ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。 本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2022-03-29T07:14:58Z)
• Robust Estimation for Nonparametric Families via Generative Adversarial Networks [92.64483100338724]
  我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。 我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。 技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
  論文  参考訳（メタデータ） (2022-02-02T20:11:33Z)
• Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
  本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。 提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。 我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
  論文  参考訳（メタデータ） (2020-11-05T08:04:34Z)
• Weakly Supervised Generative Network for Multiple 3D Human Pose Hypotheses [74.48263583706712]
  単一画像からの3次元ポーズ推定は、欠落した深さのあいまいさに起因する逆問題である。 逆問題に対処するために,弱い教師付き深層生成ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-08-13T09:26:01Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。