論文の概要: SpikePose: Lightweight Video Human Pose Estimation
- arxiv url: http://arxiv.org/abs/2611.06594v1
- Date: Wed, 04 Nov 2026 14:48:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.14106
- Title: SpikePose: Lightweight Video Human Pose Estimation
- Title（参考訳）: SpikePose:軽量ビデオの人間性評価
- Abstract要約: SpikePoseは、フレームリセットされたシングルステップのスパイクエンコーダとモーションアラインなヒートマップメモリ(MAM)を組み合わせた軽量ビデオポーズ推定器だ。
我々は,MPIIと固定NTU60クロスオブジェクトサブセットの空間精度,動作誤差,推定演算エネルギーを評価する。
SpikePoseでは、MAMを追加することで速度と加速度の誤差を28.13%と31.46%削減し、ローカライゼーションをわずかに改善した。
- 参考スコア（独自算出の注目度）: 4.492666961716675
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Efficient video human pose estimation must balance localisation accuracy, motion quality, and energy cost. We present SpikePose, a lightweight video pose estimator that pairs a frame-reset, single-step spiking encoder with motion-aligned heatmap memory (MAM). The encoder supplies per-frame spatial evidence, while MAM estimates joint displacement, aligns historical heatmaps, and adaptively fuses them with current predictions. By confining temporal reasoning to a compact, lightweight module outside the spiking backbone, SpikePose helps bridge the gap between spiking and classical Artificial Neural Networks (ANN) on large-scale, non-event-driven video tasks. We evaluate spatial accuracy, motion errors, and estimated arithmetic energy on MPII and a fixed NTU60 Cross-Subject subset. Against the architecture-matched ANN with MAM, SpikePose cuts estimated arithmetic energy by 91.4% at a cost of just 1.12 points in head-bone-normalised PCK at 0.5 threshold (PCK_HB(0.5)). Within SpikePose, adding MAM reduces velocity and acceleration errors by 28.13% and 31.46% while slightly improving localisation, at a cost of only 0.003M parameters and 0.0023 analytical GFLOPs per frame. Code will be released on GitHub upon acceptance.
- Abstract（参考訳）: 効率的なビデオポーズ推定には、ローカライゼーションの精度、動きの質、エネルギーコストのバランスをとる必要がある。
本稿では、フレームリセットされたシングルステップのスパイクエンコーダと、モーションアラインなヒートマップメモリ(MAM)を組み合わせた軽量なビデオポーズ推定装置であるSpikePoseを紹介する。
エンコーダはフレーム単位の空間的証拠を提供し、MAMは関節の変位を推定し、過去の熱マップを整列させ、現在の予測でそれらを適応的に融合させる。
SpikePoseは、スパイキングバックボーンの外にあるコンパクトで軽量なモジュールに時間的推論を集約することで、スパイキングと古典的ニューラルネットワーク(ANN)のギャップを、大規模でイベント駆動のビデオタスクで埋める手助けをする。
我々は,MPIIと固定NTU60クロスオブジェクトサブセットの空間精度,動作誤差,推定演算エネルギーを評価する。
アーキテクチャに適合したAMNに対して、SpikePoseは計算エネルギーを91.4%削減し、ヘッドボーン正規化PCKの0.5しきい値(PCK_HB(0.5))はわずか1.12ポイントである。
SpikePoseでは、MAMを追加することで速度と加速度の誤差を28.13%と31.46%削減し、ローカライゼーションをわずかに改善した。
コードはGitHubで受け入れられる。
関連論文リスト
- Surgical Kinematics from Monocular Video with Learned Articulated Motion Constraints [0.8657172581058971]
単眼ビデオから楽器の位置, 向き, 顎角を推定するためのキネマティック再構成ネットワークを提案する。
我々の表現は、凍結したDINOv3特徴のグローバルアテンションプールと、細調整されたSAM 3.1マスクの楽器ランドマークでのローカルプールを組み合わせる。
メインOpen-HベンチマークのLiveMAEと比較すると,パス長平均絶対誤差は0.45から0.34,cmに減少し,時間平均平均偏差は44.54%から54.44%に向上する。
論文 参考訳（メタデータ） (2026-09-23T01:49:27Z) - HAT: Hypothesis-Anchored Tracking for Video Monocular Spacecraft Pose Estimation [1.5612040984769855]
本稿では、フレーム間の動きを用いて、CADベースのポーズ仮説の中から選択する因果的枠組みである仮説アンコレッドトラッキング(HAT)を提案する。
HATは競合する配向履歴を保持し、単分子SLAMによって推定される相対軌道をアンカーするポーズを選択する。
我々は、SPARK-2024、SwissCube、ShiRTの2つのバージョン、Mega-HATとPico-HATを評価し、宇宙領域外の性能を評価した。
論文 参考訳（メタデータ） (2026-09-18T10:28:30Z) - LeVJEPA: Efficient & Scalable Video Pretraining without the Heuristics [50.45297537821907]
我々はLeJEPAの崩壊のない目的の下で訓練された最初のビデオエンコーダLeVJEPAを紹介する。
単一のエンコーダは、クリップのグローバルおよびローカルビューよりも分散損失で訓練される。
LeVJEPAはV-JEPA 2とVT-S/B/Lの5.6から20.8倍の速さで一致または超える。
論文 参考訳（メタデータ） (2026-08-27T17:26:24Z) - Event-Based Motion Estimation via Oriented Distance Fields [55.23416502666468]
イベントベースの動き推定は、高時間分解能と高速動作に対する堅牢性を必要とするタスクの中心である。
本稿では,この最適化を,事前計算された事象距離ベクトルの場上の1つの平均ステップに置き換える,オブジェクト指向距離場運動推定(ODF Motion Estimation)を提案する。
公開および自己収集されたデータセットでは,ODFの動作推定は,比較手法の中で最低レイテンシでサブピクセル精度に達する。
論文 参考訳（メタデータ） (2026-08-25T08:27:42Z) - Streamlining stereo differentiable rendering for marker-free real-time tracking of surgical robots [7.312849670879312]
マーカーレスリアルタイムロボットのポーズトラッキングにおけるステレオ微分可能レンダリングの評価を行った。
リアルタイム1080pのトラッキングを30fps(バニラロベレグの14fpsからアップアップ)で達成し、カメラフレームレートにマッチする。
論文 参考訳（メタデータ） (2026-07-14T10:28:28Z) - $D^3$-RSMDE: 40$\times$ Faster and High-Fidelity Remote Sensing Monocular Depth Estimation [72.9912717963138]
リモートセンシング画像からのリアルタイムで高忠実な単眼深度推定は、多くのアプリケーションにとって不可欠である。
視覚変換器(ViT)のバックボーンを高密度な予測に使用するのは速いが、知覚品質は低いことが多い。
リモートセンシング単眼深度推定のための深度詳細拡散法(D3$-RSMDE)を提案する。
D3$-RSMDEは、Learninged Perceptual Image Patch similarity (LPIPS)の知覚距離を11.85%削減する。
論文 参考訳（メタデータ） (2026-03-17T10:50:36Z) - An Efficient Quality Metric for Video Frame Interpolation Based on Motion-Field Divergence [0.3823356975862005]
ビデオフレームは時間的ビデオ強調の基本的なツールであるが、既存の品質指標は、人工物の影響を効果的に評価するのに苦労している。
動きの発散重み付けによりPSNRを強化する新しい完全参照品質指標であるtextPSNR_textDIV$を提示する。
提案手法では,画像誤差の重み付けに使用される運動場の特異点に着目した。
論文 参考訳（メタデータ） (2025-10-01T18:40:38Z) - Spatiotemporal Attention-based Semantic Compression for Real-time Video
Recognition [117.98023585449808]
本稿では,各フレームにおけるフレームと画素の重要性を評価するために,時間的注意に基づくオートエンコーダ(STAE)アーキテクチャを提案する。
我々は3D-2D CNNを組み合わせた軽量デコーダを開発し、欠落した情報を再構成する。
実験の結果,VT_STAEはビデオデータセットH51を,5%の精度で104倍圧縮できることがわかった。
論文 参考訳（メタデータ） (2023-05-22T07:47:27Z) - Recurrence without Recurrence: Stable Video Landmark Detection with Deep
Equilibrium Models [96.76758318732308]
本稿では,最近提案されたDeep Equilibrium Model (DEQ) が,この計算形式に自然に適応可能であることを示す。
我々のLandmark DEQ(LDEQ)は、WFLW顔ランドマークデータセット上で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-04-02T19:08:02Z) - Fast Motion Understanding with Spatiotemporal Neural Networks and
Dynamic Vision Sensors [99.94079901071163]
本稿では,高速な動きを推論するための動的視覚センサ(DVS)システムを提案する。
ロボットが15m/s以上の速度で接近する小さな物体に反応するケースを考察する。
我々は,23.4m/sで24.73degの誤差を$theta$,18.4mmの平均離散半径予測誤差,衝突予測誤差に対する25.03%の中央値で移動した玩具ダートについて,本システムの結果を強調した。
論文 参考訳（メタデータ） (2020-11-18T17:55:07Z)
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。