論文の概要: Auditing Quality Filters for Long-Tail Human Data Curation

• arxiv url: http://arxiv.org/abs/2609.31896v1
• Date: Fri, 25 Sep 2026 18:32:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 04:51:45.854471
• Title: Auditing Quality Filters for Long-Tail Human Data Curation
• Title（参考訳）: 長期人間のデータキュレーションのための品質フィルタの評価
• Abstract要約: NLFを用いて人を検出し, 関節を推定し, 同様のポーズを呈するパイプラインについて検討した。 低ポーズは保持されている例の2%程度しか占めていない。 4つとも、低いポーズはフィルターによってより頻繁に拒否されることを示唆している。
• 参考スコア（独自算出の注目度）: 6.5427577097998
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robots on construction sites must detect workers who are kneeling or bending, which we call low poses. These workers can be lost from training datasets during automatic labeling. We study a pipeline that detects people, estimates their body joints using NLF, and groups similar poses. Low poses account for only about 2 percent of the retained examples. This low share may partly reflect the pipeline's quality filter, which rejects examples with low detection confidence or uncertain joint estimates. We examine this filtering using four alternative pose clues: bounding-box shape, vertical body span, pose grouping aligned to the scene's vertical direction, and image appearance. All four suggest that low poses are rejected by the filter more often. Separately, controlled simulated scenes show that a person detector fine-tuned on a public construction dataset misses more workers in these poses even when we correct their bounding box height is matched to that of standing workers. These findings suggest that low poses are scarce and hard to find, and we cannot rely on bounding boxes or poses for long-tail human data curation.
• Abstract（参考訳）: 建設現場にいるロボットは、ひざまずいているか曲げている労働者を検出しなければならない。 これらのワーカーは、自動ラベリング中にデータセットのトレーニングから失われる可能性がある。 NLFを用いて人を検出し, 関節を推定し, 同様のポーズを呈するパイプラインについて検討した。 低ポーズは保持されている例の2%程度しか占めていない。 この低いシェアはパイプラインの品質フィルタを部分的に反映する可能性があり、検出信頼性の低い例や不確実な関節推定例を拒絶する。 本フィルタは,4つのポーズヒントを用いて,境界箱形状,垂直体幅,シーンの垂直方向に沿ったグループ化,画像の外観の4つを用いて検討する。 4つとも、低いポーズはフィルターによってより頻繁に拒否されることを示唆している。 個別に制御されたシミュレートされたシーンでは、公共工事データセットに微調整された人物が、待機作業員のものと一致した箱の高さを補正しても、これらのポーズでより多くの労働者を逃がしていることが示されている。 これらの結果から,低いポーズは発見が困難で,拘束箱や長い尾の人間のデータキュレーションに頼ることができないことが示唆された。

関連論文リスト

• Occlusion Resilient 3D Human Pose Estimation [52.49366182230432]
  排除は、シングルカメラビデオシーケンスからの3Dボディポーズ推定における重要な課題の1つとして残されている。 単一カメラシーケンスからポーズを推測する最先端技術と比較して,このアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-16T19:29:43Z)
• Rethinking pose estimation in crowds: overcoming the detection information-bottleneck and ambiguity [46.10812760258666]
  個人間の頻繁な相互作用は、ポーズ推定アルゴリズムの基本的な課題である。 ボトムアップ条件付きトップダウンポーズ推定と呼ばれる新しいパイプラインを提案する。 動物と人間のポーズ推定ベンチマークにおけるアプローチの性能と効率を実証する。
  論文  参考訳（メタデータ） (2023-06-13T16:14:40Z)
• Normalizing Flows for Human Pose Anomaly Detection [14.540314605022791]
  我々は,人間のポーズの異常検出に問題を蒸留し,その結果に影響を及ぼす外観などのパラメータのリスクを低減させる。 我々のモデルは人間のポーズグラフのシーケンスを直接処理し、非常に軽量(1Kパラメータ)である。 我々は,教師なし上海技術データセットと教師なしUB正規データセットという,2つの異常検出ベンチマークの最先端結果を報告する。
  論文  参考訳（メタデータ） (2022-11-20T11:02:50Z)
• Bottom-Up 2D Pose Estimation via Dual Anatomical Centers for Small-Scale Persons [75.86463396561744]
  マルチパーソン2Dポーズ推定では、ボトムアップ手法は同時にすべての人のポーズを予測する。 本手法は,バウンディングボックス精度を38.4%改善し,バウンディングボックスリコールを39.1%改善した。 ヒトのポーズAP評価では,COCOテストデフセット上で新しいSOTA(71.0 AP)を単一スケールテストで達成する。
  論文  参考訳（メタデータ） (2022-08-25T10:09:10Z)
• Dual networks based 3D Multi-Person Pose Estimation from Monocular Video [42.01876518017639]
  複数人の3Dポーズ推定はシングルポーズ推定よりも難しい。 既存のトップダウンとボトムアップのアプローチでは、推定が検出エラーに悩まされる。 我々は,トップダウンアプローチとボトムアップアプローチを統合して,その強みを活用することを提案する。
  論文  参考訳（メタデータ） (2022-05-02T08:53:38Z)
• Non-Local Latent Relation Distillation for Self-Adaptive 3D Human Pose Estimation [63.199549837604444]
  3次元ポーズ推定アプローチは、強い(2D/3Dポーズ)または弱い(複数ビューまたは深さ)ペアによる監督の異なる形態を利用する。 我々は3Dポーズ学習を,ラベル付きソースドメインから完全に損なわれないターゲットへのタスク知識の転送を目的とした,自己指導型適応問題として捉えた。 我々は、異なる自己適応設定を評価し、標準ベンチマークで最先端の3Dポーズ推定性能を示す。
  論文  参考訳（メタデータ） (2022-04-05T03:52:57Z)
• 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)
• Towards Accurate Human Pose Estimation in Videos of Crowded Scenes [134.60638597115872]
  我々は、時間的文脈を利用して新しいデータを収集する視点から、混雑したシーンのビデオにおける人間のポーズ推定を改善することに注力する。 あるフレームについては、過去のフレームから過去のポーズを転送し、その後のフレームから現在のフレームへ未来的なポーズを後退させ、ビデオにおける安定した人間のポーズ推定に繋がる。 このようにして、HIEチャレンジのテストデータセット上で、13本中7本、56.33本の平均w_APで最高の性能を達成する。
  論文  参考訳（メタデータ） (2020-10-16T13:19:11Z)

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。