論文の概要: 2D Pre-Training for 3D Pose Estimation

• arxiv url: http://arxiv.org/abs/2604.22830v1
• Date: Sun, 19 Apr 2026 17:38:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:06.969191
• Title: 2D Pre-Training for 3D Pose Estimation
• Title（参考訳）: 3次元ポーズ推定のための2次元事前学習
• Authors: Liyao Jiang, Ruichen Chen, Keith G. Mills,
• Abstract要約: 2D事前トレーニングは、3Dデータだけでトレーニングを継続的に上回る。 MPIIとHuman3.6Mを用いることで、MPJPEスコアは64.5mm以下になる。
• 参考スコア（独自算出の注目度）: 6.340036189068695
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pre-training is a general method that is used in a range of deep learning tasks. By first training a model on one task, and then further training on the downstream task used for final evaluation, the model is forced to learn a more general understanding of the input data. While pre-training has been applied to 3D Human Pose Estimation (HPE) previously, the scope of datasets used is typically very limited to some strong benchmarks, like Human3.6M. Therefore, in this project, we expand the scope of an existing 3D HPE scheme to be compatible with additional 2D and 3D HPE datasets, like Occlusion Person. We perform an extensive study on how aspects of 2D pre-training, such as model size, affect downstream performance, and to what extent pre-training can help the model generalize to different datasets. Experimental results show that 2D pre-training consistently outperforms training on 3D data alone, particularly in terms of computational efficiency. Finally, using MPII and Human3.6M, we are able to obtain an MPJPE score of under 64.5mm.
• Abstract（参考訳）: プレトレーニングは、様々なディープラーニングタスクで使用される一般的な方法である。 1つのタスクでモデルをトレーニングし、最終評価に使用する下流タスクをさらにトレーニングすることで、モデルは入力データのより一般的な理解を学習せざるを得なくなる。 これまで3Dヒューマンポース推定(HPE)に事前トレーニングが適用されてきたが、使用されるデータセットの範囲は通常、Human3.6Mのような強力なベンチマークに限られている。 そこで本プロジェクトでは,Occlusion Personのような2次元および3次元のHPEデータセットと互換性のある既存の3次元HPEスキームの範囲を広げる。 モデルサイズなどの2次元事前学習の側面が下流のパフォーマンスにどのように影響するか、また、事前学習がモデルを異なるデータセットに一般化するのにどの程度役立つかについて、広範な研究を行う。 実験結果から,2次元事前学習は,特に計算効率の点で,3次元データ単独でのトレーニングを一貫して上回っていることがわかった。 最後に、MPIIとHuman3.6Mを用いて、64.5mm未満のMPJPEスコアを得ることができる。

関連論文リスト

• CameraHMR: Aligning People with Perspective [54.05758012879385]
  モノクロ画像からの正確な3次元ポーズと形状推定の課題に対処する。 既存のトレーニングデータセットには、擬似基底真理(pGT)を持つ実画像が含まれている。 pGTの精度を向上させる2つの貢献をしている。
  論文  参考訳（メタデータ） (2024-11-12T19:12:12Z)
• Video Pretraining Advances 3D Deep Learning on Chest CT Tasks [63.879848037679224]
  大規模自然画像分類データセットの事前学習は、データスカース2D医療タスクのモデル開発に役立っている。 これらの2Dモデルは、3Dコンピュータビジョンベンチマークで3Dモデルに勝っている。 3Dモデルのためのビデオ事前トレーニングにより、より小さなデータセットでより高性能な3D医療タスクを実現することができることを示す。
  論文  参考訳（メタデータ） (2023-04-02T14:46:58Z)
• 3D Equivariant Molecular Graph Pretraining [42.957880677779556]
  完全かつ新しい意味での3D分子プレトレーニングに取り組む。 まず,3次元空間の対称性を満たすことのメリットを享受する事前学習のバックボーンとして,同変エネルギーベースモデルを採用することを提案する。 大規模3DデータセットGEOM-QM9から事前学習したモデルを,MD17とQM9の2つの挑戦的な3Dベンチマークで評価した。
  論文  参考訳（メタデータ） (2022-07-18T16:26:24Z)
• P-STMO: Pre-Trained Spatial Temporal Many-to-One Model for 3D Human Pose Estimation [78.83305967085413]
  本稿では,2次元から3次元のポーズ推定作業のためのP-STMOモデルを提案する。 提案手法は,パラメータが少なく,計算オーバーヘッドが少なく,最先端の手法より優れている。
  論文  参考訳（メタデータ） (2022-03-15T04:00:59Z)
• Self-Supervised Pretraining of 3D Features on any Point-Cloud [40.26575888582241]
  3D登録なしで任意の3Dデータを扱うことができる簡単な自己監督関連方法を紹介します。 オブジェクト検出、セマンティックセグメンテーション、オブジェクト分類の9つのベンチマークでモデルを評価し、最新の結果を達成し、教師付きプリトレーニングを上回ります。
  論文  参考訳（メタデータ） (2021-01-07T18:55:21Z)
• 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)
• Cascaded deep monocular 3D human pose estimation with evolutionary training data [76.3478675752847]
  深層表現学習は単眼の3次元ポーズ推定において顕著な精度を達成した。 本稿では,大量のトレーニングデータに対してスケーラブルな新しいデータ拡張手法を提案する。 本手法は,先行知識に触発された階層的人体表現と合成に基づいて,未知の3次元人体骨格を合成する。
  論文  参考訳（メタデータ） (2020-06-14T03:09:52Z)
• Exemplar Fine-Tuning for 3D Human Model Fitting Towards In-the-Wild 3D Human Pose Estimation [107.07047303858664]
  3次元の地平線アノテーションを持つ大規模な人的データセットは、野生では入手が困難である。 既存の2Dデータセットを高品質な3Dポーズマッチングで拡張することで、この問題に対処する。 結果として得られるアノテーションは、3Dのプロシージャネットワークをスクラッチからトレーニングするのに十分である。
  論文  参考訳（メタデータ） (2020-04-07T20:21:18Z)

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。