論文の概要: Group Pose: A Simple Baseline for End-to-End Multi-person Pose Estimation

• arxiv url: http://arxiv.org/abs/2308.07313v1
• Date: Mon, 14 Aug 2023 17:58:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 12:08:43.397856
• Title: Group Pose: A Simple Baseline for End-to-End Multi-person Pose Estimation
• Title（参考訳）: Group Pose: エンドツーエンドのマルチパーソン・ポース推定のためのシンプルなベースライン
• Authors: Huan Liu, Qiang Chen, Zichang Tan, Jiang-Jiang Liu, Jian Wang, Xiangbo Su, Xiaolong Li, Kun Yao, Junyu Han, Errui Ding, Yao Zhao, Jingdong Wang
• Abstract要約: グループ・ポース(Group Pose)と呼ばれる単純だが効果的なトランスフォーマー・アプローチを提案する。 すべての$Ntimes(K+1)$クエリに対して単一の自己アテンションを、その後の2つのグループ自己アテンションに置き換える。 MS COCO と CrowdPose の実験結果から,従来の手法よりもヒトボックスの監督を伴わないアプローチの方が優れていることが示された。
• 参考スコア（独自算出の注目度）: 102.02917299051757
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we study the problem of end-to-end multi-person pose estimation. State-of-the-art solutions adopt the DETR-like framework, and mainly develop the complex decoder, e.g., regarding pose estimation as keypoint box detection and combining with human detection in ED-Pose, hierarchically predicting with pose decoder and joint (keypoint) decoder in PETR. We present a simple yet effective transformer approach, named Group Pose. We simply regard $K$-keypoint pose estimation as predicting a set of $N\times K$ keypoint positions, each from a keypoint query, as well as representing each pose with an instance query for scoring $N$ pose predictions. Motivated by the intuition that the interaction, among across-instance queries of different types, is not directly helpful, we make a simple modification to decoder self-attention. We replace single self-attention over all the $N\times(K+1)$ queries with two subsequent group self-attentions: (i) $N$ within-instance self-attention, with each over $K$ keypoint queries and one instance query, and (ii) $(K+1)$ same-type across-instance self-attention, each over $N$ queries of the same type. The resulting decoder removes the interaction among across-instance type-different queries, easing the optimization and thus improving the performance. Experimental results on MS COCO and CrowdPose show that our approach without human box supervision is superior to previous methods with complex decoders, and even is slightly better than ED-Pose that uses human box supervision. $\href{https://github.com/Michel-liu/GroupPose-Paddle}{\rm Paddle}$ and $\href{https://github.com/Michel-liu/GroupPose}{\rm PyTorch}$ code are available.
• Abstract（参考訳）: 本稿では,エンドツーエンド多人数ポーズ推定の問題について検討する。 最先端のソリューションはDETRライクなフレームワークを採用し、例えば、ポーズ推定をキーポイントボックスの検出として開発し、ED-Poseで人間の検出と組み合わせ、PETRでポーズデコーダとジョイント(キーポイント)デコーダで階層的に予測する。 単純だが効果的なトランスフォーマーアプローチであるGroup Poseを提案する。 単に$K$-keypointのポーズ推定を、キーポイントクエリからそれぞれ$N\times K$のキーポイント位置を予測し、各ポーズを、$N$のポーズ予測をスコアするインスタンスクエリで表現しているとみなす。 異なるタイプのインスタンス間クエリ間のインタラクションが直接的に役に立たないという直感に感銘を受け、デコーダの自己注意を簡易に修正する。 すべての$N\times(K+1)$クエリに対して単一の自己アテンションを、次の2つのグループ自己アテンションで置き換える。 (i)$n$ in-instance self-attention、それぞれ$k$ keypointクエリと1インスタンスクエリ (ii)$(k+1)$ same-type across-instance self-attention、それぞれが同じタイプの$n$クエリである。 結果としてデコーダは、インスタンス間型差分クエリ間の相互作用を取り除き、最適化を緩和し、パフォーマンスを改善する。 MS COCO と CrowdPose の実験結果から,人間の箱の監督を伴わないアプローチは,従来の複雑なデコーダを用いた手法よりも優れていることが示唆された。 $\href{https://github.com/Michel-liu/GroupPose-Paddle}{\rm Paddle}$と$\href{https://github.com/Michel-liu/GroupPose}{\rm PyTorch}$コードは利用可能である。

関連論文リスト

• Explicit Box Detection Unifies End-to-End Multi-Person Pose Estimation [24.973118696495977]
  本稿では,ED-Poseと呼ばれる多人数のPose推定のためのExplicit box Detectionを用いたエンドツーエンドフレームワークを提案する。 ヒューマンレベル(グローバル)とキーポイントレベル(ローカル)情報のコンテキスト学習を統一する。 L1回帰損失の完全なエンドツーエンドフレームワークとして、ED-Poseは、同じバックボーンの下で、ヒートマップベースのトップダウンメソッドを初めて上回った。
  論文  参考訳（メタデータ） (2023-02-03T08:18:34Z)
• AdaptivePose++: A Powerful Single-Stage Network for Multi-Person Pose Regression [66.39539141222524]
  そこで本研究では,ヒトの部位を適応点として表現し,微細な身体表現法を提案する。 提案するボディ表現では,AdaptivePoseと呼ばれる,コンパクトなシングルステージ多人数ポーズ回帰ネットワークを提供する。 本稿では,AdaptivePoseの有効性を検証するために,2D/3D多人数ポーズ推定タスクにAdaptivePoseを用いる。
  論文  参考訳（メタデータ） (2022-10-08T12:54:20Z)
• Pose for Everything: Towards Category-Agnostic Pose Estimation [93.07415325374761]
  Category-Agnostic Pose Estimation (CAPE) は、キーポイント定義を持つ少数のサンプルのみを与えられた任意の種類のオブジェクトのポーズを検出することができるポーズ推定モデルを作成することを目的としている。 異なるキーポイント間のインタラクションと、サポートとクエリイメージの関係をキャプチャするために、トランスフォーマーベースのキーポイントインタラクションモジュール(KIM)を提案する。 また、20K以上のインスタンスを含む100のオブジェクトカテゴリの2次元ポーズデータセットであるMP-100データセットを導入し、CAPEアルゴリズムの開発に適している。
  論文  参考訳（メタデータ） (2022-07-21T09:40:54Z)
• Progressive End-to-End Object Detection in Crowded Scenes [96.92416613336096]
  以前のクエリベースの検出器は2つの欠点に悩まされていた: まず、複数の予測が1つのオブジェクトに対して推論される。 具体的には、まず受理されたクエリを選択して正の予測を生成し、その後、受理された予測に従って残雑音のあるクエリを精査する。 提案手法は,混み合ったシーンにおける問合せ型検出器の性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-03-15T06:12:00Z)
• Attend to Who You Are: Supervising Self-Attention for Keypoint Detection and Instance-Aware Association [40.78849763751773]
  本稿では,Transformer を用いたキーポイント検出とインスタンス関連の解法を提案する。 本稿では,複数人物のキーポイント検出と事例関連のための自己注意の監視手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:41:41Z)
• Rethinking Keypoint Representations: Modeling Keypoints and Poses as Objects for Multi-Person Human Pose Estimation [79.78017059539526]
  本研究では,個々のキーポイントと空間的関連キーポイント(ポーズ)の集合を,密集した単一ステージアンカーベース検出フレームワーク内のオブジェクトとしてモデル化する,新しいヒートマップフリーなキーポイント推定手法を提案する。 実験では, KAPAOは従来手法よりもはるかに高速かつ高精度であり, 熱マップ後処理に悩まされていた。 我々の大規模モデルであるKAPAO-Lは、テスト時間拡張なしでMicrosoft COCO Keypoints検証セット上で70.6のAPを達成する。
  論文  参考訳（メタデータ） (2021-11-16T15:36:44Z)
• Inconsistent Few-Shot Relation Classification via Cross-Attentional Prototype Networks with Contrastive Learning [16.128652726698522]
  本稿では,Prototype Network-based Cross-attention contrastive Learning (ProtoCACL)を提案する。 実験結果から,我々のProtoCACLは,非一貫性な$K$と非一貫性な$N$設定の両方で,最先端のベースラインモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2021-10-13T07:47:13Z)
• Greedy Offset-Guided Keypoint Grouping for Human Pose Estimation [31.468003041368814]
  私たちは、異なる人物からすべてのキーポイントを無差別に推測するために、Hourglass Networkを使用します。 我々は、予測された誘導オフセットを利用して、候補のキーポイントを複数の人間のポーズにグループ化します。 当社のアプローチは、公正な条件下でのCOCOデータセットの課題に関する最先端技術に匹敵するものです。
  論文  参考訳（メタデータ） (2021-07-07T09:32:01Z)
• Improving Robustness and Generality of NLP Models Using Disentangled Representations [62.08794500431367]
  スーパービジョンニューラルネットワークはまず入力$x$を単一の表現$z$にマップし、次に出力ラベル$y$にマッピングする。 本研究では,非交叉表現学習の観点から,NLPモデルの堅牢性と汎用性を改善する手法を提案する。 提案した基準でトレーニングしたモデルは、広範囲の教師付き学習タスクにおいて、より堅牢性とドメイン適応性を向上することを示す。
  論文  参考訳（メタデータ） (2020-09-21T02:48:46Z)

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。