論文の概要: Unsupervised Domain Adaptation for Occlusion Resilient Human Pose Estimation

• arxiv url: http://arxiv.org/abs/2501.02773v1
• Date: Mon, 06 Jan 2025 05:30:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:07:08.380258
• Title: Unsupervised Domain Adaptation for Occlusion Resilient Human Pose Estimation
• Title（参考訳）: 非教師なし領域適応による咬合抵抗性評価
• Authors: Arindam Dutta, Sarosij Bose, Saketh Bachu, Calvin-Khang Ta, Konstantinos Karydis, Amit K. Roy-Chowdhury,
• Abstract要約: 排除は人間のポーズ推定アルゴリズムにとって重要な課題である。 OR-POSE: Occlusion Resilient Human POSE Estimationのための教師なしドメイン適応を提案する。
• 参考スコア（独自算出の注目度）: 23.0839810713682
• License:
• Abstract: Occlusions are a significant challenge to human pose estimation algorithms, often resulting in inaccurate and anatomically implausible poses. Although current occlusion-robust human pose estimation algorithms exhibit impressive performance on existing datasets, their success is largely attributed to supervised training and the availability of additional information, such as multiple views or temporal continuity. Furthermore, these algorithms typically suffer from performance degradation under distribution shifts. While existing domain adaptive human pose estimation algorithms address this bottleneck, they tend to perform suboptimally when the target domain images are occluded, a common occurrence in real-life scenarios. To address these challenges, we propose OR-POSE: Unsupervised Domain Adaptation for Occlusion Resilient Human POSE Estimation. OR-POSE is an innovative unsupervised domain adaptation algorithm which effectively mitigates domain shifts and overcomes occlusion challenges by employing the mean teacher framework for iterative pseudo-label refinement. Additionally, OR-POSE reinforces realistic pose prediction by leveraging a learned human pose prior which incorporates the anatomical constraints of humans in the adaptation process. Lastly, OR-POSE avoids overfitting to inaccurate pseudo labels generated from heavily occluded images by employing a novel visibility-based curriculum learning approach. This enables the model to gradually transition from training samples with relatively less occlusion to more challenging, heavily occluded samples. Extensive experiments show that OR-POSE outperforms existing analogous state-of-the-art algorithms by $\sim$ 7% on challenging occluded human pose estimation datasets.
• Abstract（参考訳）: 排除は人間のポーズ推定アルゴリズムにとって重要な課題であり、しばしば不正確で解剖学的に不明瞭なポーズをもたらす。 現在のオクルージョン・ロバストな人間のポーズ推定アルゴリズムは、既存のデータセットで顕著なパフォーマンスを示すが、その成功は主に教師付きトレーニングと、複数のビューや時間的連続性などの追加情報の提供によるものである。 さらに、これらのアルゴリズムは通常、分散シフト時の性能劣化に悩まされる。 既存のドメイン適応型ヒューマンポーズ推定アルゴリズムはこのボトルネックに対処するが、ターゲットのドメインイメージが隠蔽された場合、それは現実のシナリオでよくあることである。 これらの課題に対処するために, OR-POSE: Unsupervised Domain Adaptation for Occlusion Resilient Human POSE Estimationを提案する。 OR-POSEは, ドメインシフトを効果的に軽減し, 隠蔽課題を克服する, ドメイン適応アルゴリズムである。 さらに、OR-POSEは、人間の解剖学的制約を適応プロセスに組み込んだ学習された人間のポーズを活用することで、現実的なポーズ予測を強化する。 最後に、OR-POSEは、新しい可視性に基づくカリキュラム学習アプローチを用いることで、非常に隠蔽された画像から生成された疑似ラベルを不正確なものにする過度な適合を避ける。 これにより、モデルが比較的包含率の低いトレーニングサンプルから、より困難で厳密なサンプルへと徐々に移行することが可能になる。 大規模な実験により、OR-POSEは既存の類似した最先端のアルゴリズムを、挑戦的な隠蔽された人間のポーズ推定データセットに対して$\sim$ 7%で上回っていることが示されている。

関連論文リスト

• Feature Attenuation of Defective Representation Can Resolve Incomplete Masking on Anomaly Detection [1.0358639819750703]
  教師なし異常検出(UAD)研究では、計算効率が高くスケーラブルなソリューションを開発する必要がある。 再建・塗り替えのアプローチを再考し、強みと弱みを分析して改善する。 異常再構成の特徴情報を減衰させる2つの層のみを用いるFADeR(Feature Attenuation of Defective Representation)を提案する。
  論文  参考訳（メタデータ） (2024-07-05T15:44:53Z)
• Manifold-Aware Self-Training for Unsupervised Domain Adaptation on Regressing 6D Object Pose [69.14556386954325]
  視覚的回帰における合成データと実データとのドメインギャップは,グローバルな特徴アライメントと局所的な改善によって橋渡しされる。 提案手法は明示的な自己教師付き多様体正規化を取り入れ,領域間の一貫した累積的対象依存性を明らかにする。 暗黙的ニューラルファンクションを学習して、最も近いクラスビンへの相対的な方向と目標の距離を推定し、ターゲット分類予測を洗練することを目的としている。
  論文  参考訳（メタデータ） (2023-05-18T08:42:41Z)
• 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)
• Towards Accurate Cross-Domain In-Bed Human Pose Estimation [3.685548851716087]
  長波長赤外(LWIR)変調に基づくポーズ推定アルゴリズムは、上記の課題を克服する。 そこで本研究では,ドメイン間差を低減するために,2次元データ拡張による新たな学習戦略を提案する。 実験と分析により,複数の標準人のポーズ推定基準に対するアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2021-10-07T15:54:46Z)
• On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
  決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。 DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
  論文  参考訳（メタデータ） (2021-07-01T17:59:07Z)
• Learning a Domain-Agnostic Visual Representation for Autonomous Driving via Contrastive Loss [25.798361683744684]
  ドメイン認識コントラスト学習(Domain-Agnostic Contrastive Learning、DACL)は、2段階の非監視ドメイン適応フレームワークである。 提案手法は,従来の最新手法に比べ,単眼深度推定作業における性能向上を実現した。
  論文  参考訳（メタデータ） (2021-03-10T07:06:03Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• Adversarial Semantic Data Augmentation for Human Pose Estimation [96.75411357541438]
  本研究では,セマンティックデータ拡張法 (SDA) を提案する。 また,適応的セマンティックデータ拡張 (ASDA) を提案する。 最先端の結果は、挑戦的なベンチマークで得られます。
  論文  参考訳（メタデータ） (2020-08-03T07:56:04Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。