Fugu-MT 論文翻訳(概要): PoseBench3D: A Cross-Dataset Analysis Framework for 3D Human Pose Estimation via Pose Lifting Networks

論文の概要: PoseBench3D: A Cross-Dataset Analysis Framework for 3D Human Pose Estimation via Pose Lifting Networks

arxiv url: http://arxiv.org/abs/2505.10888v2
Date: Sun, 21 Sep 2025 13:49:40 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-23 14:36:45.051526
Title: PoseBench3D: A Cross-Dataset Analysis Framework for 3D Human Pose Estimation via Pose Lifting Networks
Title（参考訳）: PoseBench3D:Pose Lifting Networksによる3次元人物位置推定のためのクロスデータセット分析フレームワーク
Authors: Saad Manzur, Bryan Vela, Brandon Vela, Aditya Agrawal, Lan-Anh Dang-Vu, David Li, Wayne Hayes,
Abstract要約: 我々は3次元ポーズ推定のための標準化されたテストフレームワークPoseBench3Dを開発した。本稿では,Protocol 1: MPJPEとProtocol 2: PA-MPJPEの100以上のクロスデータセット結果について報告する。
参考スコア（独自算出の注目度）: 3.120196327961215
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Reliable three-dimensional human pose estimation (3D HPE) remains challenging due to the differences in viewpoints, environments, and camera conventions among datasets. As a result, methods that achieve near-optimal in-dataset accuracy often degrade on unseen datasets. In practice, however, systems must adapt to diverse viewpoints, environments, and camera setups--conditions that differ significantly from those encountered during training, which is often the case in real-world scenarios. Measuring cross-dataset performance is a vital process, but extremely labor-intensive when done manually for human pose estimation. To address these challenges, we automate this evaluation using PoseBench3D, a standardized testing framework that enables consistent and fair cross-dataset comparisons on previously unseen data. PoseBench3D streamlines testing across four widely used 3D HPE datasets via a single, configurable interface. Using this framework, we re-evaluate 18 methods and report over 100 cross-dataset results under Protocol 1: MPJPE and Protocol 2: PA-MPJPE, revealing systematic generalization gaps and the impact of common preprocessing and dataset setup choices. The PoseBench3D code is found at: https://github.com/bryanjvela/PoseBench3D
Abstract（参考訳）: 信頼性の高い3次元ポーズ推定(3D HPE)は、データセット間の視点、環境、カメラコンベンションの違いにより、依然として困難である。その結果、ほぼ最適なデータセット内精度を達成する方法は、目に見えないデータセットでしばしば劣化する。しかし実際には、システムは様々な視点、環境、カメラの設定に適応する必要がある。クロスデータセットのパフォーマンスを測定することは重要なプロセスですが、人間のポーズ推定のために手作業で行う場合、非常に労働集約的です。これらの課題に対処するため、私たちはPoseBench3Dを使ってこの評価を自動化する。PoseBench3Dは標準化されたテストフレームワークで、これまで見つからなかったデータの一貫性と公正なクロスデータセット比較を可能にする。 PoseBench3Dは、単一の設定可能なインターフェースを介して、広く使用されている4つの3D HPEデータセットのテストを合理化する。このフレームワークを用いて、18のメソッドを再評価し、Protocol 1: MPJPEとProtocol 2: PA-MPJPEで100以上のクロスデータセット結果を報告し、体系的な一般化のギャップと共通の前処理とデータセット設定の選択の影響を明らかにする。 PoseBench3Dのコードは、https://github.com/bryanjvela/PoseBench3Dにある。

関連論文リスト

Ensemble-Based Deepfake Detection using State-of-the-Art Models with Robust Cross-Dataset Generalisation [0.0]
機械学習ベースのDeepfake検出モデルは、ベンチマークデータセットで印象的な結果を得た。しかし、アウト・オブ・ディストリビューションデータで評価すると、その性能は著しく低下することが多い。本研究では,ディープフェイク検出システムの一般化のためのアンサンブルに基づくアプローチについて検討する。
論文参考訳（メタデータ） (2025-07-08T13:54:48Z)
Meta-rater: A Multi-dimensional Data Selection Method for Pre-training Language Models [7.61977883644433]
データ品質を評価するために,専門性,可読性,推論,清潔さの4つの側面を提案する。学習した最適重み付けにより,これらの次元を既存の品質指標と統合する多次元データ選択手法であるMeta-raterを紹介する。実験により、Meta-raterは1.3Bパラメータモデルの収束速度を2倍にし、下流タスク性能を3.23倍に改善し、7.2Bパラメータのモデルにスケールする利点がある。
論文参考訳（メタデータ） (2025-04-19T06:12:33Z)
EBES: Easy Benchmarking for Event Sequences [17.277513178760348]
イベントシーケンス(英: Event Sequences、EvS)とは、不規則なサンプリング間隔と分類的特徴と数値的特徴の混合を特徴とするシーケンシャルデータである。 EBESは、シーケンスレベルのターゲットを持つEvS分類のための包括的なベンチマークである。 9つのモダンモデルを実装したオープンソースのPyTorchライブラリとともに、標準化された評価シナリオとプロトコルを備えている。
論文参考訳（メタデータ） (2024-10-04T13:03:43Z)
What is the Right Notion of Distance between Predict-then-Optimize Tasks? [35.842182348661076]
特徴量やラベル次元にのみ依存する従来のデータセット距離は,PtO(Predict-then-then-then)の文脈では情報性が欠如していることが示される。下流決定の影響を組み込んだ新しいデータセット距離を提案する。以上の結果から,この決定認識データセット距離は,PtOコンテキストにおける適応成功を効果的に捉えていることが明らかとなった。
論文参考訳（メタデータ） (2024-09-11T04:13:17Z)
SKADA-Bench: Benchmarking Unsupervised Domain Adaptation Methods with Realistic Validation On Diverse Modalities [55.87169702896249]
Unsupervised Domain Adaptation (DA) は、ラベル付きソースドメインでトレーニングされたモデルを適用して、ラベルなしのターゲットドメインでデータ分散シフトをうまく実行する。本稿では,再重み付け,マッピング,部分空間アライメントなど,既存の浅層アルゴリズムの完全かつ公平な評価を行う。本ベンチマークでは,現実的な検証の重要性を強調し,現実的なアプリケーションに対する実践的なガイダンスを提供する。
論文参考訳（メタデータ） (2024-07-16T12:52:29Z)
Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
論文参考訳（メタデータ） (2024-05-13T14:44:22Z)
FoundationPose: Unified 6D Pose Estimation and Tracking of Novel Objects [55.77542145604758]
FoundationPoseは、6Dオブジェクトのポーズ推定と追跡のための統合基盤モデルである。我々のアプローチは、微調整なしで、テスト時に新しいオブジェクトに即座に適用できる。
論文参考訳（メタデータ） (2023-12-13T18:28:09Z)
State-of-the-art Models for Object Detection in Various Fields of Application [0.0]
COCOミニバル、COCOテスト、Pascal VOC 2007、ADE20K、ImageNetがレビューされている。データセットは、多様性、データの質、バイアスの最小化、品質のラベル付けなどの観点から、他と密に比較した後、手作業で取得される。各データセットの上位モデルとその最適なユースケースをリストアップする。
論文参考訳（メタデータ） (2022-11-01T20:25:32Z)
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)
Post-hoc Models for Performance Estimation of Machine Learning Inference [22.977047604404884]
さまざまなシナリオにおいて、推論中に機械学習モデルがどれだけうまく機能するかを推定することが重要である。性能評価をさまざまなメトリクスやシナリオに体系的に一般化する。提案したポストホックモデルは標準信頼ベースラインを一貫して上回っていることがわかった。
論文参考訳（メタデータ） (2021-10-06T02:20:37Z)
Inference Stage Optimization for Cross-scenario 3D Human Pose Estimation [97.93687743378106]
既存の3Dポーズ推定モデルは、目に見えないポーズを持つ新しいシナリオに適用する場合、パフォーマンス低下を被る。本稿では、3次元ポーズモデルの一般化性を改善するための新しいフレームワークである推論段階最適化(ISO)を提案する。注目すべきは、MPI-INF-3DHPで83.6%の最先端の3D PCKが得られることだ。
論文参考訳（メタデータ） (2020-07-04T09:45:18Z)
Novel Human-Object Interaction Detection via Adversarial Domain Generalization [103.55143362926388]
本研究では,新たな人-物間相互作用(HOI)検出の問題点を考察し,モデルの一般化能力を向上させることを目的とした。この課題は、主に対象と述語の大きな構成空間に起因し、全ての対象と述語の組み合わせに対する十分な訓練データが欠如している。本稿では,予測のためのオブジェクト指向不変の特徴を学習するために,対数領域の一般化の統一的な枠組みを提案する。
論文参考訳（メタデータ） (2020-05-22T22:02:56Z)

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。