論文の概要: MoSoLoco: Monocular 3D Human Localization through Visual Latent Features and Social Context

• arxiv url: http://arxiv.org/abs/2611.03189v1
• Date: Mon, 02 Nov 2026 14:20:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 12:47:40.831177
• Title: MoSoLoco: Monocular 3D Human Localization through Visual Latent Features and Social Context
• Title（参考訳）: MoSoLoco:視覚的潜在機能と社会的コンテキストによる単眼の3D人物位置決め
• Abstract要約: MoSoLocoはフレームごとのモノクル3D人間のローカライザで、ポーズ検出器の内部の視覚的特徴と検出された2D骨格を組み合わせる。 JRDBとNuScenesの実験は、ポーズ-検出器表現の再利用がローカライゼーションを改善することを示している。
• 参考スコア（独自算出の注目度）: 66.11427012923254
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating the metric 3D position of people from a monocular camera is important for robot navigation and motion prediction. Lightweight pose-based localizers are attractive for robotic hardware with limited computational resources because they operate on compact 2D keypoints. However, they typically discard the richer visual representations computed by the pose estimator. We introduce MoSoLoco, a per-frame monocular 3D human localizer that combines the pose detector's internal visual features with the detected 2D skeleton, without requiring an additional RGB or depth encoder. MoSoLoco can further incorporate sparse same-frame multi-person context to refine individual position estimates. Experiments on JRDB and NuScenes show that reusing pose-detector representations improves localization, reducing the best JRDB error by approximately 23 percent relative to the strongest evaluated keypoint-based baseline. A sparse social-interaction module incorporates nearby detections from the same image for further refinement. Controlled trajectory-forecasting experiments show downstream benefits, while the complete pipeline remains suitable for efficient Jetson AGX Xavier inference.
• Abstract（参考訳）: 単眼カメラから人のメートル法3次元位置を推定することは,ロボットのナビゲーションや動作予測に重要である。 軽量ポーズベースのローカライザは、コンパクトな2Dキーポイントで動作するため、計算資源が限られているロボットハードウェアにとって魅力的である。 しかし、一般的には、ポーズ推定器によって計算されるよりリッチな視覚表現を破棄する。 フレームごとのモノクル3D人間のローカライザであるMoSoLocoを導入し、追加のRGBや深度エンコーダを必要とせず、ポーズ検出器の内部視覚特徴と検出された2Dスケルトンを組み合わせた。 MoSoLocoはさらに、個々の位置推定を洗練させるために、スパースな同一フレームのマルチパーソンコンテキストを組み込むことができる。 JRDBとNuScenesの実験では、ポーズ検出器表現の再利用によりローカライズが向上し、最も評価の高いキーポイントベースラインと比較して、JRDBのエラーが約23%減少した。 スパースなソーシャルインタラクションモジュールは、同じ画像から近くの検出を組み込んでさらなる改善を行う。 制御された軌道予測実験は下流の利点を示し、完全なパイプラインは効率的なJetson AGX Xavier推論に適している。

関連論文リスト

• RoPE-Flow: Monocular Vision-based Robot Pose Estimation via 2D Graph-Conditioned 3D Flow Matching [16.303073816779378]
  カメラとロボットのポーズ推定のためのエンドツーエンドのフローマッチングフレームワークであるRoPE-Flowを提案する。 予測された2次元熱マップから,位置特徴を得るためのキーポイント中心の特徴抽出器を提案する。 また、学習可能な隣接マップを組み込んでフローマッチングの条件を生成するグラフ誘導条件生成器も導入する。
  論文  参考訳（メタデータ） (2026-10-15T01:40:49Z)
• Map-Det3D: Metric Feed-Forward 3D Reconstruction Prior for Multi-view 3D Object Detection from Streaming Inputs [62.865932175477035]
  計量3Dオブジェクト検出は、エンボディエージェントのコア機能であるが、最も信頼性の高いシステムは深度センサーに頼っている。 提案するMap-Det3Dは,RGBから再構成した3次元空間に直接検出を行うオンラインマルチビュー3Dオブジェクト検出モデルである。
  論文  参考訳（メタデータ） (2026-08-12T15:33:42Z)
• Mono-Hydra++: Real-Time Monocular Scene Graph Construction with Multi-Task Learning for 3D Indoor Mapping [4.329662126907974]
  室内のメカニカルセマンティックマッピングと階層的な3Dシーングラフ構築のためのリアルタイム単眼RGBとIMUパイプラインであるMono-Hydra++を提案する。 Mono-Hydra++は、アクティブな深度センサーに頼ることなく、リソース制約のあるロボットプラットフォームに対してリアルタイムなメトリックセマンティックマッピングとシーングラフ構築を提供する。
  論文  参考訳（メタデータ） (2026-05-17T21:36:29Z)
• SparseVoxFormer: Sparse Voxel-based Transformer for Multi-modal 3D Object Detection [12.941263635455915]
  従来の3Dオブジェクト検出手法では,Bird's Eye View (BEV) 空間を中間特徴表現として用いた。 本稿では,LiDAR点クラウドデータのスパース性に着目した。 SparseVoxFormerと呼ばれる3次元オブジェクト検出のための新しいスパースボクセルベースのトランスフォーマーネットワークを導入する。
  論文  参考訳（メタデータ） (2025-03-11T06:52:25Z)
• GSplatLoc: Grounding Keypoint Descriptors into 3D Gaussian Splatting for Improved Visual Localization [1.4466437171584356]
  軽量なXFeat特徴抽出器から高密度かつ堅牢なキーポイント記述器を3DGSに統合する2段階の手順を提案する。 第2段階では、レンダリングベースの光度ワープ損失を最小限に抑え、初期ポーズ推定を洗練させる。 広く使われている屋内および屋外データセットのベンチマークは、最近のニューラルレンダリングベースのローカライゼーション手法よりも改善されていることを示している。
  論文  参考訳（メタデータ） (2024-09-24T23:18:32Z)
• Progressive Coordinate Transforms for Monocular 3D Object Detection [52.00071336733109]
  本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。 本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-12T15:22:33Z)
• M3DSSD: Monocular 3D Single Stage Object Detector [82.25793227026443]
  特徴アライメントと非対称非局所的注意を有するモノクロ3次元単段物体検出器(M3DSSD)を提案する。 提案したM3DSSDは,KITTIデータセット上のモノラルな3Dオブジェクト検出手法よりも大幅に性能が向上する。
  論文  参考訳（メタデータ） (2021-03-24T13:09:11Z)
• ZoomNet: Part-Aware Adaptive Zooming Neural Network for 3D Object Detection [69.68263074432224]
  ステレオ画像に基づく3D検出のためのZoomNetという新しいフレームワークを提案する。 ZoomNetのパイプラインは、通常の2Dオブジェクト検出モデルから始まり、左右のバウンディングボックスのペアを取得するために使用される。 さらに,RGB画像のテクスチャキューを多用し,より正確な異質度推定を行うため,適応ズームという概念的に真直ぐなモジュールを導入する。
  論文  参考訳（メタデータ） (2020-03-01T17:18:08Z)

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。