Fugu-MT 論文翻訳(概要): 2D Pose Estimation based Child Action Recognition

論文の概要: 2D Pose Estimation based Child Action Recognition

arxiv url: http://arxiv.org/abs/2212.09027v1
Date: Sun, 18 Dec 2022 07:36:32 GMT
ステータス: 処理完了
システム内更新日: 2022-12-20 15:27:20.506045
Title: 2D Pose Estimation based Child Action Recognition
Title（参考訳）: 児童行動認識に基づく2次元ポーズ推定
Authors: Sanka Mohottala, Sandun Abeygunawardana, Pradeepa Samarasinghe, Dharshana Kasthurirathna, Charith Abhayaratne
Abstract要約: RGBモダリティに基づくモデルを用いて,児童行動認識タスクにおいて,初めて2次元ポーズ推定を行うグラフ畳み込みネットワークを提案する。
参考スコア（独自算出の注目度）: 5.480546613836199
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: We present a graph convolutional network with 2D pose estimation for the first time on child action recognition task achieving on par results with an RGB modality based model on a novel benchmark dataset containing unconstrained environment based videos.
Abstract（参考訳）: 本稿では、制約のない環境映像を含む新しいベンチマークデータセットに基づいて、RGBモダリティに基づくモデルを用いて、子行動認識タスクにおいて、初めて2次元ポーズ推定を行うグラフ畳み込みネットワークを提案する。

関連論文リスト

Towards Human-Level 3D Relative Pose Estimation: Generalizable, Training-Free, with Single Reference [62.99706119370521]
人間は、単一のクエリ参照イメージペアのみを与えられたラベル/トレーニングなしで、目に見えないオブジェクトの相対的なポーズを容易に推論することができる。そこで,本研究では,RGB-D参照から2.5D形状のRGB-D参照,オフザシェルフ微分可能なRGB-D参照,DINOv2のような事前学習モデルからのセマンティックキューを用いた3D一般化可能な相対ポーズ推定手法を提案する。
論文参考訳（メタデータ） (2024-06-26T16:01:10Z)
CheckerPose: Progressive Dense Keypoint Localization for Object Pose Estimation with Graph Neural Network [66.24726878647543]
単一のRGB画像から固い物体の6-DoFのポーズを推定することは、非常に難しい課題である。近年の研究では、高密度対応型解の大きな可能性を示している。そこで本研究では,CheckerPoseというポーズ推定アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-03-29T17:30:53Z)
Baby Physical Safety Monitoring in Smart Home Using Action Recognition System [0.0]
本研究では,移動学習手法をConv2D LSTM層と組み合わせて,Kineeticsデータセット上の事前学習したI3Dモデルから特徴を抽出するフレームワークを提案する。スマートベビールームにおける赤ちゃんの活動を認識し,予測するために,LSTM畳み込みとI3D(ConvLSTM-I3D)を用いたベンチマークデータセットと自動モデルを開発した。
論文参考訳（メタデータ） (2022-10-22T19:00:14Z)
Hierarchical Temporal Transformer for 3D Hand Pose Estimation and Action Recognition from Egocentric RGB Videos [50.74218823358754]
我々は,時間的情報を利用してロバストな推定を行うトランスフォーマーベースのフレームワークを開発した。 2つのカスケード変換器エンコーダを用いたネットワーク階層を構築し,まず手振り推定の短期的キューを利用する。提案手法は,FPHAとH2Oの2つの個人手動作ベンチマークにおいて競合する結果を得る。
論文参考訳（メタデータ） (2022-09-20T05:52:54Z)
Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
論文参考訳（メタデータ） (2022-07-17T07:05:39Z)
Learning-based Point Cloud Registration for 6D Object Pose Estimation in the Real World [55.7340077183072]
我々は、ポイントクラウドデータからオブジェクトの6Dポーズを推定するタスクに取り組む。この課題に対処する最近の学習ベースのアプローチは、合成データセットにおいて大きな成功を収めている。これらの障害の原因を分析し、ソースとターゲットポイントの雲の特徴分布の違いに遡る。
論文参考訳（メタデータ） (2022-03-29T07:55:04Z)
Spatio-Temporal Human Action Recognition Modelwith Flexible-interval Sampling and Normalization [0.0]
設計モジュールを用いた赤緑色(RGB)ビデオ入力のためのヒューマンアクションシステムを提案する。我々は、人間のキーポイント予測と行動認識の両方に対して、類似した背景と差別的な行動を持つ新しいデータセットを構築した。実験により,提案モデルの有効性を,我々の行動認識データセットといくつかの公開データセットで実証した。
論文参考訳（メタデータ） (2021-08-12T10:02:20Z)
Skeleton-aware multi-scale heatmap regression for 2D hand pose estimation [1.0152838128195467]
本稿では,2つの主要モジュールからなるディープラーニングベースのフレームワークを提案する。前者は、手骨を検知し、手の境界ボックスをローカライズするセグメンテーションベースのアプローチを提案する。第2のモジュールは、マルチスケールのヒートマップ回帰アプローチを通じて2次元関節位置を回帰する。
論文参考訳（メタデータ） (2021-05-23T10:23:51Z)
End-to-end learning of keypoint detection and matching for relative pose estimation [1.8352113484137624]
2つの画像間の相対的なポーズを推定する新しい手法を提案する。キーポイント検出,説明抽出,マッチング,ロバストなポーズ推定を共同で学習する。本研究では,既知のポーズを持つ画像データベース内でのクエリ画像の視覚的局在化の手法を示す。
論文参考訳（メタデータ） (2021-04-02T15:16:17Z)
Appearance Consensus Driven Self-Supervised Human Mesh Recovery [67.20942777949793]
単眼画像から人間のポーズや形状を推定する自己教師付きメッシュ回復フレームワークを提案する。標準モデルに基づく3次元ポーズ推定ベンチマークの最先端結果を得る。その結果、色付きメッシュ予測により、ポーズや形状推定以外にも、さまざまな外観関連タスクにフレームワークの使用が開放される。
論文参考訳（メタデータ） (2020-08-04T05:40:39Z)
Adaptive Graphical Model Network for 2D Handpose Estimation [19.592024471753025]
単眼RGB画像からの2次元手ポーズ推定の課題に対処する新しいアーキテクチャを提案する。アダプティブ・グラフィカル・モデル・ネットワーク(Adaptive Graphical Model Network, AGMN)は、単一のポテンシャル関数とペアのポテンシャル関数を計算するための深部畳み込みニューラルネットワークの2つの枝からなる。提案手法は,2つの公開データセットに対する顕著なマージンによる2次元手指キーポイント推定における最先端手法よりも優れている。
論文参考訳（メタデータ） (2019-09-18T04:19:51Z)

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。