Fugu-MT 論文翻訳(概要): MHRGait: Gait Recognition from Momentum Human Rig Pose

論文の概要: MHRGait: Gait Recognition from Momentum Human Rig Pose

arxiv url: http://arxiv.org/abs/2607.29083v1
Date: Fri, 31 Jul 2026 07:10:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-03 14:29:40.641893
Title: MHRGait: Gait Recognition from Momentum Human Rig Pose
Title（参考訳）: MHRGait:Momentum Human Rig Poseからの歩行認識
Authors: Huiran Duan, Qian Zhou, Xianda Guo, Hua Zou, Guoying Zhao, Zhongyuan Wang, Yingli Tian,
Abstract要約: 歩行認識はその入力表現によって形成される。歩行表現としてMomentum Human Rig(MHR)のポーズを導入する。 MHRGait++は、モダリティバランスの取れた距離融合を通じて、MHRのポーズとシルエットを組み合わせる。
参考スコア（独自算出の注目度）: 38.198915705188995
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Gait recognition is shaped by its input representation. Silhouettes encode projected body shape, skeletons encode sparse joint coordinates, and 3D meshes encode dense surface geometry. In each case, identity-bearing articulation is observed through geometric carriers that also vary with clothing, skeletal scale, or body shape. We investigate whether gait can instead be recognized from compact articulated controls. We introduce Momentum Human Rig (MHR) pose as a gait representation, describing each frame using 184 semantically organized body and hand parameters estimated from monocular video. MHRGait groups these heterogeneous controls by anatomy, models their intra-frame coordination and temporal evolution, and produces compact body and hand descriptors. We further introduce MHRGait++, which combines MHR pose with silhouettes through modality-balanced distance fusion, preventing descriptor count from determining modality importance. Experiments on four benchmarks show that MHRGait attains the best overall performance among compared model-based methods on CCPG and SUSTech1K and transfers effectively across datasets, while its recognition network requires only 2.76M parameters and 0.69 GFLOPs for a 30-frame input. MHRGait++ consistently improves silhouette recognizers with a favorable accuracy-efficiency trade-off. These results establish rig-space articulation as an effective standalone gait representation and a complementary cue to projected body shape. Our code is available at https://github.com/duanhuiran/MHRGait.
Abstract（参考訳）: 歩行認識はその入力表現によって形成される。シルエットは投影体の形状をコードし、骨格はスパース関節座標をコードし、3Dメッシュは密度の高い表面形状をコードしている。それぞれのケースでは、衣服、骨格スケール、体形にも異なる幾何学的キャリアを通してアイデンティティを持つ調音が観察される。よりコンパクトな調音制御から歩行を認識できるかどうかを検討する。歩行表現としてMomentum Human Rig(MHR)のポーズを導入し,モノクロビデオから推定した184のセマンティックな身体と手動パラメータを用いて各フレームを記述した。 MHRGaitはこれらの異種制御を解剖学的にグループ化し、フレーム内の調整と時間的進化をモデル化し、コンパクトな体と手書き文字を生成する。さらに, MHR と silhouettes を組み合わせた MHRGait++ を導入する。 4つのベンチマークでの実験では、MCHGaitはCCPGとSUSTech1Kの比較モデルベース手法の中で最高の全体的な性能を示し、データセット間で効果的に転送する一方で、認識ネットワークは30フレームの入力に2.76Mパラメータと0.69GFLOPしか必要としない。 MHRGait++は、良好な精度と効率のトレードオフを持つシルエット認識器を一貫して改善する。これらの結果から,実効的な歩行表現と投影体形状の相補的手がかりとして,リグ空間の明瞭化が確立された。私たちのコードはhttps://github.com/duanhuiran/MHRGait.comで公開されています。

関連論文リスト

SAM 3D Body: Robust Full-Body Human Mesh Recovery [65.0108906331903]
シングルイメージフルボディ3Dヒューマンメッシュリカバリ(HMR)のためのアクセラブルモデルSAM 3D Body (3DB)を紹介する。 3DBは、身体、足、手の人間のポーズを推定します。骨格構造と表面形状を分離する新しいパラメトリックメッシュ表現であるMomentum Human Rig(MHR)を使用した最初のモデルである。
論文参考訳（メタデータ） (2026-02-17T20:26:37Z)
Shape-aware Inertial Poser: Motion Tracking for Humans with Diverse Shapes Using Sparse Inertial Sensors [18.850688096145493]
形状認識型慣性ポーザ (SAIP) はスパース慣性型モーションキャプチャにおける体形差を考慮した第一解法である。我々は、実物体のIMU測定加速度をテンプレート成体モデルに合わせるために回帰モデルを訓練する。次に、形状対応の物理最適化戦略を用いて、対象のグローバルな動きを計算する。
論文参考訳（メタデータ） (2025-10-20T02:20:31Z)
It Takes Two: Accurate Gait Recognition in the Wild via Cross-granularity Alignment [72.75844404617959]
本稿では,XGait という新しい粒度アライメント歩行認識手法を提案する。この目的を達成するために、XGaitはまず2つのバックボーンエンコーダの分岐を含み、シルエットシーケンスとパーシングシーケンスを2つの潜在空間にマッピングする。 2つの大規模な歩行データセットの総合的な実験では、ランク1の精度が80.5%、CCPGが88.3%である。
論文参考訳（メタデータ） (2024-11-16T08:54:27Z)
GaitMA: Pose-guided Multi-modal Feature Fusion for Gait Recognition [26.721242606715354]
歩行認識は、歩行パターンを通して人間の身元を認識する生体計測技術である。我々は、Gait Multi-model Aggregation Network (GaitMA)と呼ばれる新しい歩行認識フレームワークを提案する。まず, 2つのCNN特徴抽出器を用いて, シルエットと骨格の特徴を抽出した。
論文参考訳（メタデータ） (2024-07-20T09:05:17Z)
Double-chain Constraints for 3D Human Pose Estimation in Images and Videos [21.42410292863492]
深度情報を欠く2次元のポーズから3Dのポーズを再構築することは、人間の動きの複雑さと多様性のために困難である。ポーズを制約する新しいモデルであるDouble-chain Graph Convolutional Transformer (DC-GCT)を提案する。本稿では,DC-GCTが2つの挑戦的データセットに対して最先端の性能を達成することを示す。
論文参考訳（メタデータ） (2023-08-10T02:41:18Z)
A Dual-Masked Auto-Encoder for Robust Motion Capture with Spatial-Temporal Skeletal Token Completion [13.88656793940129]
本稿では, 3次元関節を再構成し, 個々の関節を識別するための適応的, アイデンティティを意識した三角測量モジュールを提案する。次に,D-MAE(Dual-Masked Auto-Encoder)を提案する。重大なデータ損失シナリオを扱う上で提案するモデルの能力を実証するために,高精度で挑戦的なモーションキャプチャデータセットに貢献する。
論文参考訳（メタデータ） (2022-07-15T10:00:43Z)
MixSTE: Seq2seq Mixed Spatio-Temporal Encoder for 3D Human Pose Estimation in Video [75.23812405203778]
近年, 学習時間相関のため, 全フレームのボディジョイントを世界規模で考慮し, 2次元キーポイントシーケンスから3次元人間のポーズを推定する手法が提案されている。本研究では,各関節の時間的動きを別々にモデル化する時間的変圧器ブロックと,関節間空間相関を有する変圧器ブロックを有するミキシングミキシングを提案する。さらに、ネットワーク出力は、中央フレームから入力ビデオの全フレームに拡張され、入力と出力のベンチマーク間のコヒーレンスが改善される。
論文参考訳（メタデータ） (2022-03-02T04:20:59Z)
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)
JointsGait:A model-based Gait Recognition Method based on Gait Graph Convolutional Networks and Joints Relationship Pyramid Mapping [6.851535012702575]
本稿では2次元関節を用いた歩行認識について検討する。 JointsGaitは2次元の人体関節から歩行情報を抽出する。
論文参考訳（メタデータ） (2020-04-27T08:30:37Z)
HEMlets PoSh: Learning Part-Centric Heatmap Triplets for 3D Human Pose and Shape Estimation [60.35776484235304]
本研究は, 中間状態部分熱マップトリプレット(HEMlets)を導入し, 検出された2次元関節を三次元空間に持ち上げる不確実性に対処しようとするものである。 HEMletsは3つのジョイントヒートマップを使用して、各骨格体部に対するエンドジョイントの相対的な深さ情報を表す。 Convolutional Network (ConvNet) は、入力画像からHEMletを予測し、次にボリュームのジョイント・ヒートマップレグレッションを学習する。
論文参考訳（メタデータ） (2020-03-10T04:03:45Z)

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。