論文の概要: VERA-Hand: A Verified Multidimensional Benchmark for 2D Hand Pose Estimation in Third-Person Dynamic Gesture Videos

• arxiv url: http://arxiv.org/abs/2610.32517v1
• Date: Fri, 23 Oct 2026 11:44:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.509421
• Title: VERA-Hand: A Verified Multidimensional Benchmark for 2D Hand Pose Estimation in Third-Person Dynamic Gesture Videos
• Title（参考訳）: VERA-Hand:3人称ダイナミックジェスチャビデオにおける2次元ハンドポース推定のための検証された多次元ベンチマーク
• Abstract要約: 本稿では,手振り推定器の評価のためのベンチマークであるVERA-Handを提案する。 本研究は,手特定,全身,再建に基づく,基礎モデルパラダイムにまたがる6つの推定値について評価する。 VERA-Handは、ローカライゼーションのみの評価が明らかにしない障害を明らかにしている。
• 参考スコア（独自算出の注目度）: 0.9668407688201359
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hand landmarks serve as input for gesture recognition, sign language understanding, and touchless human-computer interaction. Yet hand pose estimators are typically evaluated with frame-wise localization metrics such as PCK or MPJPE, which are computed over matched predictions and overlook missed or spurious hands, handedness errors, and temporal instability. To address these limitations, we present VERA-Hand, a benchmark that evaluates estimators using manually verified, frame-level 2D annotations for 10,690 hands across four complementary dimensions (detection, localization, identification, and temporal stability), as well as a joint Pose-F1 metric that requires both correct detection and accurate localization. Evaluating six estimators spanning hand-specific, whole-body, reconstruction-based, and foundation-model paradigms, we find that no estimator dominates: rankings reorder sharply across dimensions. VERA-Hand also exposes failures that localization-only and downstream evaluations may not reveal, including cross-hand overlap in over 85% of frames for a recent foundation model. A post-hoc cleanup case study demonstrates how the benchmark can validate corrective interventions, while stratified analyses show that robustness varies across motion-blur classes and hand regions. We release the verified annotations, protocol, and code at https://gibranbenitez.github.io/VERA_Hand/
• Abstract（参考訳）: 手書きのランドマークは、ジェスチャー認識、手話理解、タッチレス人間とコンピュータのインタラクションの入力として機能する。 しかし、手ポーズ推定器は典型的にはPCKやMPJPEのようなフレーム単位の局所化指標で評価される。 これらの制約に対処するため,手動検証による10,690ハンドのフレームレベルの2Dアノテーション(検出,局所化,識別,時間的安定性)を用いた評価を行うベンチマークであるVERA-Handと,正確な位置決めと正確な位置決めの両方を必要とする共同Pose-F1測定器を提案する。 手動、全身、再建、基礎モデルにまたがる6つの推定器を評価すると、推定器が支配的でないことが分かる。 VERA-Handはまた、最近のファンデーションモデルでは、85%以上のフレームのクロスハンドオーバーラップを含む、ローカライゼーションのみおよびダウンストリーム評価が明らかにならない障害を公開している。 ポストホッククリーニングケーススタディでは、ベンチマークがどのように修正介入を検証できるかを示し、階層化分析では、動作ブルークラスや手作業領域で堅牢性が異なることが示されている。 確認済みのアノテーション、プロトコル、コードをhttps://gibranbenitez.github.io/VERA_Hand/でリリースします。

関連論文リスト

• Detecting Pose Estimation Failures via Keypoint Self-Consistency [5.376352655121515]
  キーポイントに基づくポーズ推定手法は、キーポイントが互いに独立して予測されるときに不正確である。 本稿では,キーポイント予測の自己整合性を捉える手作り幾何学的特徴セットを提案する。 その単純さにもかかわらず、これらの特徴に基づいてトレーニングされたロジスティック回帰は、ポーズ推定失敗を確実に検出する。
  論文  参考訳（メタデータ） (2026-08-04T11:59:10Z)
• HandVQA: Diagnosing and Improving Fine-Grained Spatial Reasoning about Hands in Vision-Language Models [14.981963881449486]
  人間の手のきめ細かい説明を理解することは、ロボットによる外科手術のような高精細な設定において重要である。 現在の視覚言語モデル(VLM)は、特に複雑で明瞭な手ポーズの解釈において、きめ細かい空間的推論に苦しむ。 本稿では,視覚的質問応答による詳細な手指解剖の理解を評価するための大規模診断ベンチマークであるHandVQAを紹介する。
  論文  参考訳（メタデータ） (2026-03-27T12:42:26Z)
• Gesture-Aware Pretraining and Token Fusion for 3D Hand Pose Estimation [3.0979829079231447]
  ジェスチャーのセマンティクスが3次元ポーズ推定の強力な帰納的バイアスとなることを示す。 本稿では,情報埋め込み空間を学習するジェスチャー認識事前学習という2段階のフレームワークを提案する。 InterHand2.6Mの実験では、ジェスチャー認識による事前学習が一貫した精度の向上を実証している。
  論文  参考訳（メタデータ） (2026-03-18T06:18:46Z)
• Enhancing Hand Palm Motion Gesture Recognition by Eliminating Reference Frame Bias via Frame-Invariant Similarity Measures [0.9421843976231371]
  記録されたハンドパーム動作(HPM)ジェスチャの新しいデータセットを提案する。 このデータセットの動作ジェスチャーは、特定の参照フレームや方向の手がかりに依存せずに区別できるように設計されている。 複数の不変トラジェクトリ記述子をベンチマークして、その性能が新しいHPMデータセットにどのように一般化するかを評価する。 最良のスコアリングアプローチは、リアルタイム概念証明を開発することで、オンライン認識のために検証される。
  論文  参考訳（メタデータ） (2025-03-14T12:40:43Z)
• PoseBench: Benchmarking the Robustness of Pose Estimation Models under Corruptions [57.871692507044344]
  ポース推定は、単眼画像を用いて人や動物の解剖学的キーポイントを正確に同定することを目的としている。 現在のモデルは一般的に、クリーンなデータに基づいてトレーニングされ、テストされる。 実世界の腐敗に対するポーズ推定モデルの堅牢性を評価するためのベンチマークであるPoseBenchを紹介する。
  論文  参考訳（メタデータ） (2024-06-20T14:40:17Z)
• HandDiff: 3D Hand Pose Estimation with Diffusion on Image-Point Cloud [60.47544798202017]
  ハンドポーズ推定は、様々な人間とコンピュータの相互作用アプリケーションにおいて重要なタスクである。 本論文は,手形画像点雲上での正確な手ポーズを反復的に認知する拡散型手ポーズ推定モデルであるHandDiffを提案する。 実験の結果,提案したHandDiffは,4つの挑戦的なハンドポーズベンチマークデータセットにおいて,既存のアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-04-04T02:15:16Z)
• Deformer: Dynamic Fusion Transformer for Robust Hand Pose Estimation [59.3035531612715]
  既存の方法では、手のこもりが強かったり、ぼやけたりすると、手のポーズが難しい場合が多い。 ビデオでは、手の動きによって、片方のフレームに隠されたり、ぼやけたりして、手のさまざまな部分を観察することができる。 画像内の手の部分間の関係を暗黙的に推論するフレームワークであるDeformerを提案する。
  論文  参考訳（メタデータ） (2023-03-09T02:24:30Z)
• Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
  Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
  論文  参考訳（メタデータ） (2021-07-08T15:19:36Z)
• Temporally Guided Articulated Hand Pose Tracking in Surgical Videos [22.752654546694334]
  アーティキュレートされた手ポーズ追跡は、多くのアプリケーションで使用可能な可能性を秘めている未発見の問題である。 提案する手ポーズ推定モデルであるCondPoseは,その予測に先立ってポーズを組み込むことで,検出と追跡の精度を向上させる。
  論文  参考訳（メタデータ） (2021-01-12T03:44:04Z)

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。