論文の概要: Towards Unconstrained 2D Pose Estimation of the Human Spine
- arxiv url: http://arxiv.org/abs/2504.08110v1
- Date: Thu, 10 Apr 2025 20:11:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-14 14:19:03.110537
- Title: Towards Unconstrained 2D Pose Estimation of the Human Spine
- Title（参考訳）: 人間の背筋の非拘束2次元電位推定に向けて
- Authors: Muhammad Saif Ullah Khan, Stephan Krauß, Didier Stricker,
- Abstract要約: SpineTrackは、制約のない環境で2Dスピンのポーズ推定のための最初の包括的なデータセットである。
SpinePoseを導入し、知識蒸留と解剖学的正則化戦略を用いて、身体と脊椎のキーポイントを共同で予測する、最先端のボディポーズ推定装置を拡張した。
- 参考スコア（独自算出の注目度）: 12.131745767490298
- License:
- Abstract: We present SpineTrack, the first comprehensive dataset for 2D spine pose estimation in unconstrained settings, addressing a crucial need in sports analytics, healthcare, and realistic animation. Existing pose datasets often simplify the spine to a single rigid segment, overlooking the nuanced articulation required for accurate motion analysis. In contrast, SpineTrack annotates nine detailed spinal keypoints across two complementary subsets: a synthetic set comprising 25k annotations created using Unreal Engine with biomechanical alignment through OpenSim, and a real-world set comprising over 33k annotations curated via an active learning pipeline that iteratively refines automated annotations with human feedback. This integrated approach ensures anatomically consistent labels at scale, even for challenging, in-the-wild images. We further introduce SpinePose, extending state-of-the-art body pose estimators using knowledge distillation and an anatomical regularization strategy to jointly predict body and spine keypoints. Our experiments in both general and sports-specific contexts validate the effectiveness of SpineTrack for precise spine pose estimation, establishing a robust foundation for future research in advanced biomechanical analysis and 3D spine reconstruction in the wild.
- Abstract（参考訳）: SpineTrackは、スポーツ分析、ヘルスケア、現実的なアニメーションにおいて重要なニーズに対処するため、制約のない環境で2Dスピンのポーズを推定する最初の包括的なデータセットである。
既存のポーズデータセットは、正確な動作分析に必要なニュアンスな調律を見渡して、スピンを単一の剛性セグメントに単純化することが多い。
対照的に、SpineTrackは、OpenSimを通じてUnreal Engineを使って作成された25kアノテーションからなる合成セットと、人間のフィードバックで自動アノテーションを反復的に洗練するアクティブラーニングパイプラインを介してキュレートされた33kアノテーションからなる実世界のセットである。
この統合されたアプローチは、挑戦的なインザワイルドイメージであっても、解剖学的に一貫したラベルを大規模に保証する。
さらに,SpinePoseを導入し,知識蒸留と解剖学的正則化戦略を用いて,身体と脊椎のキーポイントを共同で予測する,最先端のボディポーズ推定装置を拡張した。
SpineTrackの正確な脊椎ポーズ推定における有効性を検証するため,本研究は,野生における高度な生体力学的解析と3次元脊椎再建のための堅牢な基礎を築いた。
関連論文リスト
- Spinal ligaments detection on vertebrae meshes using registration and 3D edge detection [0.4194295877935868]
本手法は, ステップワイズアプローチを用いて66個の脊柱靭帯付着点を検出することができる。
ランドマーク検出には椎骨1本あたり約3.0秒が必要で、既存の方法よりも大幅に改善されている。
論文 参考訳（メタデータ） (2024-12-06T14:39:06Z) - Reconstruction of 3D lumbar spine models from incomplete segmentations using landmark detection [0.4194295877935868]
不完全な3次元椎体から完全3次元腰椎モデルを再構築する新しい方法を提案する。
本手法は, 腰椎全椎をわずか0.14秒でL1からL5に区分する。
論文 参考訳（メタデータ） (2024-12-06T14:23:42Z) - 3D WholeBody Pose Estimation based on Semantic Graph Attention Network and Distance Information [2.457872341625575]
新たなセマンティックグラフアテンションネットワークは、グローバルコンテキストをキャプチャする自己アテンションの能力の恩恵を受けることができる。
本体部分デコーダは、身体の特定のセグメントに関連する情報を抽出し、精製するのを支援する。
幾何学的損失(Geometry Loss)は身体の構造的骨格に批判的な制約を与え、モデルの予測が人間の姿勢の自然な限界に合致することを確実にする。
論文 参考訳（メタデータ） (2024-06-03T10:59:00Z) - SkelFormer: Markerless 3D Pose and Shape Estimation using Skeletal Transformers [57.46911575980854]
マルチビュー人間のポーズと形状推定のための新しいマーカーレスモーションキャプチャパイプラインであるSkelFormerを紹介する。
提案手法は,まず市販の2次元キーポイント推定器を用いて,大規模インザミルドデータに基づいて事前トレーニングを行い,3次元関節位置を求める。
次に、重雑音観測から、関節の位置をポーズと形状の表現にマッピングする回帰に基づく逆運動性骨格変換器を設計する。
論文 参考訳（メタデータ） (2024-04-19T04:51:18Z) - 3D Kinematics Estimation from Video with a Biomechanical Model and
Synthetic Training Data [4.130944152992895]
2つの入力ビューから3Dキネマティクスを直接出力するバイオメカニクス対応ネットワークを提案する。
実験により, 提案手法は, 合成データにのみ訓練されたものであり, 従来の最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-02-20T17:33:40Z) - Vogtareuth Rehab Depth Datasets: Benchmark for Marker-less Posture
Estimation in Rehabilitation [55.41644538483948]
本研究では,リハビリテーションを行う患者の深度画像と2次元ポーズ情報を含む2つのリハビリテーション特異的ポーズデータセットを提案する。
我々は、非リハブベンチマークデータセットに基づいてトレーニングされた、最先端のマーカーレス姿勢推定モデルを用いている。
私たちのデータセットは、リハビリ特有の複雑な姿勢を検出するために、ポーズモデルを訓練するのに使用できます。
論文 参考訳（メタデータ） (2021-08-23T16:18:26Z) - Learning Dynamics via Graph Neural Networks for Human Pose Estimation
and Tracking [98.91894395941766]
ポーズ検出とは無関係なポーズダイナミクスを学習する新しいオンライン手法を提案する。
具体的には、空間的・時間的情報と視覚的情報の両方を明示的に考慮したグラフニューラルネットワーク(GNN)を通して、このダイナミクスの予測を導出する。
PoseTrack 2017とPoseTrack 2018データセットの実験では、提案手法が人間のポーズ推定とトラッキングタスクの両方において、技術の現状よりも優れた結果が得られることを示した。
論文 参考訳（メタデータ） (2021-06-07T16:36:50Z) - Inferring the 3D Standing Spine Posture from 2D Radiographs [5.114998342130747]
このような生体力学的分析には、自然重み付け下での立位姿勢(立位)が不可欠である。
本稿では,脊椎に作用する新しいニューラルネットワークアーキテクチャであるemphTransVertを提案する。
論文 参考訳（メタデータ） (2020-07-13T18:37:00Z) - MotioNet: 3D Human Motion Reconstruction from Monocular Video with
Skeleton Consistency [72.82534577726334]
モノクロビデオから3次元人間の骨格の動きを直接再構成するディープニューラルネットワークであるMotioNetを紹介した。
本手法は,動作表現を完全かつ一般的に使用するキネマティックスケルトンを直接出力する最初のデータ駆動型手法である。
論文 参考訳（メタデータ） (2020-06-22T08:50:09Z) - Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。
患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。
本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
論文 参考訳（メタデータ） (2020-06-18T09:49:11Z) - Anatomy-aware 3D Human Pose Estimation with Bone-based Pose
Decomposition [92.99291528676021]
3次元関節位置を直接回帰するのではなく,骨方向予測と骨長予測に分解する。
私たちのモチベーションは、人間の骨格の骨の長さが時間とともに一定であることにあります。
我々の完全なモデルは、Human3.6MとMPI-INF-3DHPデータセットにおいて、以前の最高の結果よりも優れています。
論文 参考訳（メタデータ） (2020-02-24T15:49:37Z)
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。