論文の概要: Extending 3D body pose estimation for robotic-assistive therapies of autistic children

• arxiv url: http://arxiv.org/abs/2402.08006v1
• Date: Mon, 12 Feb 2024 19:11:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-14 17:56:05.502250
• Title: Extending 3D body pose estimation for robotic-assistive therapies of autistic children
• Title（参考訳）: 自閉症児のロボット補助療法のための3次元体ポーズ推定
• Authors: Laura Santos, Bernardo Carvalho, Catarina Barata, Jos\'e Santos-Victor
• Abstract要約: 自閉症児を対象とした3次元ポーズ推定装置を開発した。 我々の手法は、この種のアプリケーションでは許容できる、0.3m$以下の誤差を持つ。 実際の設定では、提案モデルはKinectの奥行きカメラと同様に動作する。
• 参考スコア（独自算出の注目度）: 4.751886527142779
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robotic-assistive therapy has demonstrated very encouraging results for children with Autism. Accurate estimation of the child's pose is essential both for human-robot interaction and for therapy assessment purposes. Non-intrusive methods are the sole viable option since these children are sensitive to touch. While depth cameras have been used extensively, existing methods face two major limitations: (i) they are usually trained with adult-only data and do not correctly estimate a child's pose, and (ii) they fail in scenarios with a high number of occlusions. Therefore, our goal was to develop a 3D pose estimator for children, by adapting an existing state-of-the-art 3D body modelling method and incorporating a linear regression model to fine-tune one of its inputs, thereby correcting the pose of children's 3D meshes. In controlled settings, our method has an error below $0.3m$, which is considered acceptable for this kind of application and lower than current state-of-the-art methods. In real-world settings, the proposed model performs similarly to a Kinect depth camera and manages to successfully estimate the 3D body poses in a much higher number of frames.
• Abstract（参考訳）: ロボット支援療法は自閉症の子供に非常に有能な結果をもたらした。 子どものポーズの正確な推定は、人間とロボットの相互作用と治療評価の両方に不可欠である。 これらの子供は触感に敏感であるため、非誘惑的な方法が唯一の選択肢です。 深度カメラは広く使われているが、既存の方法には2つの大きな制限がある。 (i)通常、大人のみのデータで訓練され、子供のポーズを正しく推定しない。 (ii)咬合数の多いシナリオでは失敗する。 そこで本研究の目的は,既存の3Dボディモデリング手法を応用し,入力の1つを微調整するために線形回帰モデルを導入し,子供の3Dメッシュのポーズを補正することにより,幼児の3Dポーズ推定装置を開発することである。 制御された設定では,本手法の誤差は0.3m$以下であり,現在の最先端手法よりも低いと考えられる。 実世界の環境では、提案モデルがKinect深度カメラと同様に動作し、3Dボディのポーズをはるかに多くのフレームで推定することに成功した。

関連論文リスト

• Efficient Domain Adaptation via Generative Prior for 3D Infant Pose Estimation [29.037799937729687]
  3Dの人間のポーズ推定は近年目覚ましい発展を遂げていますが、骨の長さが異なり、データも限られている幼児に焦点を当てた研究はごくわずかです。 本稿では,SyRIPデータセットで43.6mm,MINI-RGBDデータセットで21.2mmのMPJPE性能が得られることを示す。 また,本手法のZeDO-iは,少数のデータしか与えられなくても,効率的なドメイン適応が可能であることを証明した。
  論文  参考訳（メタデータ） (2023-11-17T20:49:37Z)
• PoseTriplet: Co-evolving 3D Human Pose Estimation, Imitation, and Hallucination under Self-supervision [102.48681650013698]
  既存の自己監督型3次元ポーズ推定スキームは、学習を導くための弱い監督に大きく依存している。 そこで我々は,2D-3Dのポーズペアを明示的に生成し,監督を増強する,新しい自己監督手法を提案する。 これは、ポーズ推定器とポーズ幻覚器を併用して学習する強化学習ベースの模倣器を導入することで可能となる。
  論文  参考訳（メタデータ） (2022-03-29T14:45:53Z)
• PONet: Robust 3D Human Pose Estimation via Learning Orientations Only [116.1502793612437]
  本稿では,学習向きのみを用いて3次元ポーズを頑健に推定できる新しいPose Orientation Net(PONet)を提案する。 PONetは、局所的な画像証拠を利用して、これらの手足の3D方向を推定し、3Dポーズを復元する。 我々は,Human3.6M,MPII,MPI-INF-3DHP,3DPWを含む複数のデータセットについて評価を行った。
  論文  参考訳（メタデータ） (2021-12-21T12:48:48Z)
• AGORA: Avatars in Geography Optimized for Regression Analysis [35.22486186509372]
  AGORAは、高いリアリズムと高精度な地上真実を持つ合成データセットである。 SMPL-Xのボディモデル(顔と手)を3Dスキャンに合わせることで、参照3Dポーズと体形を作成する。 このデータセットを用いて既存の3次元ポーズ推定手法の評価を行い、ほとんどの手法が子供の画像に悪影響を及ぼすことを見出した。
  論文  参考訳（メタデータ） (2021-04-29T20:33:25Z)
• Residual Pose: A Decoupled Approach for Depth-based 3D Human Pose Estimation [18.103595280706593]
  我々は,CNNによる信頼度の高い2次元ポーズ推定の最近の進歩を活用し,深度画像から人物の3次元ポーズを推定する。 提案手法は2つの公開データセットの精度と速度の両面で非常に競争力のある結果が得られる。
  論文  参考訳（メタデータ） (2020-11-10T10:08:13Z)
• Synthetic Training for Monocular Human Mesh Recovery [100.38109761268639]
  本稿では,RGB画像と大規模に異なる複数の身体部位の3次元メッシュを推定することを目的とする。 主な課題は、2D画像のすべての身体部分の3Dアノテーションを完備するトレーニングデータがないことである。 本稿では,D2S(Deep-to-scale)投影法を提案する。
  論文  参考訳（メタデータ） (2020-10-27T03:31:35Z)
• 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)
• Neural Descent for Visual 3D Human Pose and Shape [67.01050349629053]
  入力RGB画像から3次元のポーズと形状を復元するディープニューラルネットワーク手法を提案する。 我々は最近導入された表現力のあるボディ統計モデルGHUMに頼っている。 我々の方法論の中心は、HUmanNeural Descent (HUND)と呼ばれるアプローチの学習と最適化である。
  論文  参考訳（メタデータ） (2020-08-16T13:38:41Z)
• 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)
• Weakly-Supervised 3D Human Pose Learning via Multi-view Images in the Wild [101.70320427145388]
  本稿では、3Dアノテーションを必要としない弱教師付きアプローチを提案し、ラベルのないマルチビューデータから3Dポーズを推定する。 提案手法を2つの大規模データセット上で評価する。
  論文  参考訳（メタデータ） (2020-03-17T08:47:16Z)

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。