論文の概要: Body-Part Joint Detection and Association via Extended Object
Representation
- arxiv url: http://arxiv.org/abs/2212.07652v1
- Date: Thu, 15 Dec 2022 08:19:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 17:00:29.716844
- Title: Body-Part Joint Detection and Association via Extended Object
Representation
- Title（参考訳）: 拡張オブジェクト表現による身体部分関節検出と関連性
- Authors: Huayi Zhou, Fei Jiang, Hongtao Lu
- Abstract要約: 本稿では,人体とその対応する部分の関節検出の問題に焦点をあてる。
本稿では,物体の中心位置オフセットやその部分を統合する拡張オブジェクト表現を提案する。
BPJDetのボディ・パート・アソシエーションは、意味情報と幾何学的情報の両方を含む統一表現に埋め込まれる。
- 参考スコア（独自算出の注目度）: 27.02391566687007
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The detection of human body and its related parts (e.g., face, head or hands)
have been intensively studied and greatly improved since the breakthrough of
deep CNNs. However, most of these detectors are trained independently, making
it a challenging task to associate detected body parts with people. This paper
focuses on the problem of joint detection of human body and its corresponding
parts. Specifically, we propose a novel extended object representation that
integrates the center location offsets of body or its parts, and construct a
dense single-stage anchor-based Body-Part Joint Detector (BPJDet). Body-part
associations in BPJDet are embedded into the unified representation which
contains both the semantic and geometric information. Therefore, BPJDet does
not suffer from error-prone association post-matching, and has a better
accuracy-speed trade-off. Furthermore, BPJDet can be seamlessly generalized to
jointly detect any body part. To verify the effectiveness and superiority of
our method, we conduct extensive experiments on the CityPersons, CrowdHuman and
BodyHands datasets. The proposed BPJDet detector achieves state-of-the-art
association performance on these three benchmarks while maintains high accuracy
of detection. Code will be released to facilitate further studies.
- Abstract（参考訳）: 人体とその関連部位(顔、頭、手など)の検出は、深層cnnのブレークスルー以来、集中的に研究され、大幅に改善されてきた。
しかし、これらの検出器のほとんどは独立して訓練されており、検出された身体部分と人間を関連付けることが難しい。
本稿では,人体とその対応する部分の関節検出の問題に焦点をあてる。
具体的には,体やその部分の中心位置オフセットを統合し,密度の高い単段アンカー型ボディー部ジョイント検出器(bpjdet)を構築する新しい拡張オブジェクト表現を提案する。
BPJDetのボディパートアソシエーションは、意味情報と幾何学情報の両方を含む統一表現に埋め込まれる。
したがって、BPJDetは、マッチング後のエラーが発生しず、精度と速度のトレードオフが優れている。
さらに、BPJDetをシームレスに一般化して、任意の身体部位を共同検出することができる。
提案手法の有効性と優位性を検証するため,CityPersons,CrowdHuman,BodyHandsの各データセットについて広範な実験を行った。
提案するbpjdet検出器は,これら3つのベンチマークで最先端の相関性能を実現し,高精度な検出を実現する。
さらなる研究を促進するために、コードはリリースされます。
関連論文リスト
- PBADet: A One-Stage Anchor-Free Approach for Part-Body Association [30.6652836585336]
PBADetは、部分体アソシエーション検出のための1段階のアンカーフリーアプローチである。
私たちのデザインは本質的に汎用的で、複数のパーツ間の関連を管理することができます。
論文 参考訳（メタデータ） (2024-02-12T17:18:51Z) - BPJDet: Extended Object Representation for Generic Body-Part Joint
Detection [23.888401348387752]
身体部分の関連性は、意味的内容と幾何学的内容の両方を含む統一表現にきちんと埋め込まれている。
BPJDetは、エラーを起こしやすいポストマッチングに悩まされず、スピードと精度のトレードオフを良好に保ちます。
論文 参考訳（メタデータ） (2023-04-21T06:23:08Z) - BoPR: Body-aware Part Regressor for Human Shape and Pose Estimation [16.38936587088618]
提案手法であるBoPR(Body-Aware Part Regressor)は,まず注意誘導機構を用いて身体と部分の両方の特徴を抽出する。
次に、これらの機能を使用して、部分単位のレグレッションに余分な部分ボディ依存性をエンコードします。
論文 参考訳（メタデータ） (2023-03-21T08:36:59Z) - Adjustable Method Based on Body Parts for Improving the Accuracy of 3D
Reconstruction in Visually Important Body Parts from Silhouettes [4.378411442784295]
本研究は,前後のシルエットから立体形状を復元する新しい調整可能なアルゴリズムを提案する。
まず,両視点の身体分割を用いて,対応する身体部分を認識する。
次に,各部位を2次元剛性登録で整列し,ペアマッチングを用いてマッチングする。
論文 参考訳（メタデータ） (2022-11-27T13:25:02Z) - Unsupervised Pose-Aware Part Decomposition for 3D Articulated Objects [68.73163598790255]
本研究では,機械的関節を有する人工関節オブジェクトを対象とする新しい環境に対処するため,PD(unsupervised Pose-aware Part Decomposition)を提案する。
本研究は,(1)非原始的な暗黙的表現による部分分解の教師なし学習を促進させ,(2)単一フレーム形状の監督下での協調パラメータとして機能することを示す。
論文 参考訳（メタデータ） (2021-10-08T23:53:56Z) - Pose-Guided Feature Learning with Knowledge Distillation for Occluded
Person Re-Identification [137.8810152620818]
PGFL-KD (Pose-Guided Feature Learning with Knowledge Distillation) というネットワークを提案する。
PGFL-KDは、メインブランチ(MB)と2つのポーズ誘導ブランチ(ieno)、フォアグラウンド強化ブランチ(FEB)、ボディ部分セマンティクス整列ブランチ(SAB)から構成される。
閉鎖型,部分的,包括型 ReID タスクの実験は,提案したネットワークの有効性を示す。
論文 参考訳（メタデータ） (2021-07-31T03:34:27Z) - PARE: Part Attention Regressor for 3D Human Body Estimation [80.20146689494992]
Part Attention Regressorはボディパートガイドによる注意マスクの予測を学ぶ。
コードはhttps://pare.is.tue.mpg.de/で研究目的に利用できる。
論文 参考訳（メタデータ） (2021-04-17T12:42:56Z) - Detecting Human-Object Interaction via Fabricated Compositional Learning [106.37536031160282]
ヒューマンオブジェクトインタラクション(HOI)検出は、高レベルのシーン理解のための基本的なタスクです。
人間は珍しいまたは見えないHOIのサンプルを認識する非常に強力な構成知覚能力があります。
オープン長尾HOI検出の課題を解決するために,FCL(Fabricated Compositional Learning)を提案する。
論文 参考訳（メタデータ） (2021-03-15T08:52:56Z) - Robust Partial Matching for Person Search in the Wild [70.6661871706788]
本稿では、人物検出と再同定のためのAPNet(Align-to-Part Network)を提案する。
APNetは、推定された全体体領域をカバーする境界ボックスを検出する。
CUHK-SYSUやPRWといった既存の人物検索ベンチマーク上での競合性能を実現している。
論文 参考訳（メタデータ） (2020-04-20T14:21:03Z) - HEMlets PoSh: Learning Part-Centric Heatmap Triplets for 3D Human Pose
and Shape Estimation [60.35776484235304]
本研究は, 中間状態部分熱マップトリプレット(HEMlets)を導入し, 検出された2次元関節を三次元空間に持ち上げる不確実性に対処しようとするものである。
HEMletsは3つのジョイントヒートマップを使用して、各骨格体部に対するエンドジョイントの相対的な深さ情報を表す。
Convolutional Network (ConvNet) は、入力画像からHEMletを予測し、次にボリュームのジョイント・ヒートマップレグレッションを学習する。
論文 参考訳（メタデータ） (2020-03-10T04:03:45Z)
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。