論文の概要: STAG-Net: Structure-Aware Attention over Landmark Groups for Lightweight Head Pose Estimation
- arxiv url: http://arxiv.org/abs/2611.07828v1
- Date: Thu, 05 Nov 2026 11:09:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.66382
- Title: STAG-Net: Structure-Aware Attention over Landmark Groups for Lightweight Head Pose Estimation
- Title(参考訳): STAG-Net:軽量頭部電位推定のためのランドマーク群に対する構造意識
- Abstract要約: STAG-Netは軽量な頭部電位推定のためのランドマーク群に対する構造認識の注意である。
STAG-Netプロセスのトレーニングでは、FSA-Netの7倍から8倍、ホープネットやTokenHPEの100倍以上の速度でサンプルを採取している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Head pose estimation is important for human computer interaction and driver monitoring, but many image based methods remain too costly for resource constrained deployment. We propose STAG-Net, a structure-aware attention over landmark groups for lightweight head Pose estimation that estimates head pose from facial landmarks using movement aware selection, spatial clustering, compact DeepSet encoders, self attention, and a global geometry descriptor. We develop variants using FaceMesh and Face Alignment Network landmarks and evaluate them under cross dataset and subject independent protocols on 300W-LP, AFLW2000, and BIWI. STAG-Net achieves the lowest mean absolute error among all compared landmark based methods in every evaluated setting. On BIWI frames with valid detections, the FAN variant also records the lowest overall error among all compared methods, reaching $3.51^\circ$ under cross dataset evaluation and $2.39^\circ$ under subject independent evaluation. The regressors use only 0.012 to 0.043 million parameters and 24.1 to 83.6 thousand FLOPs, about three orders of magnitude fewer FLOPs than FSA-Net. Despite including landmark extraction and regression, the FaceMesh pipeline reaches 322.9 frames per second on a Tesla T4 GPU, nearly twice the 164.5 frames per second of the fastest measured image based baseline, and 111.0 frames per second on CPU. After normalization by dataset size, STAG-Net processes training samples seven to eight times faster than FSA-Net and more than one hundred times faster than HopeNet and TokenHPE, while complete training finishes within 28 minutes. These results show that STAG-Net combines leading landmark based accuracy with substantially lower training and inference cost.
- Abstract(参考訳): 頭部ポーズ推定は人間のコンピュータインタラクションやドライバの監視において重要であるが、多くの画像ベースの手法はリソースの制約された配置にはコストがかかりすぎる。
本稿では,移動意識の選択,空間クラスタリング,コンパクトなDeepSetエンコーダ,自己注意,グローバルな幾何学記述子を用いて,顔のランドマークから頭部のポーズを推定する軽量頭部ポス推定のためのランドマーク群に対する構造認識型注意点STAG-Netを提案する。
我々はFaceMeshとFace Alignment Networkのランドマークを用いてバリエーションを開発し、300W-LP, AFLW2000, BIWI上のクロスデータセットおよび個別プロトコルで評価する。
STAG-Netは、評価されたすべての設定において、比較されたランドマークベースのメソッドの中で最低平均絶対誤差を達成する。
有効な検出を行うBIWIフレームでは、FAN変種は全ての比較手法の中で最も低い全体的な誤差を記録し、クロスデータセット評価で3.51^\circ$、被検体独立評価で2.39^\circ$に達した。
回帰器は0.012から0.043万のパラメータと24.1から83.6万のFLOPしか使用していない。
ランドマーク抽出とレグレッションを含むにもかかわらず、FaceMeshパイプラインはTesla T4 GPUで毎秒322.9フレーム、最速のイメージベースベースラインで毎秒164.5フレーム、CPUで毎秒111.0フレームに達する。
データセットサイズによる正規化の後、STAG-Netプロセスのトレーニングは、FSA-Netの7倍から8倍、ホープネットやTokenHPEの100倍以上の速度でサンプルをサンプリングし、完全なトレーニングは28分以内に終了する。
これらの結果から,STAG-Netは目立ったランドマークに基づく精度と,トレーニングと推論のコストを大幅に低下させることが示唆された。
関連論文リスト
- DepthART: Scaling Foundation Monocular Depth to Tiny Models [51.10174763031444]
DepthARTは、様々なシーンにまたがるデバイス上のデプロイメントのためのコンパクトなMDEモデルである。
ゼロショット一般化とメートル法精度の両方において、DepthARTが従来の小さなベースラインを一貫して上回っていることを示す。
また、GTX A6000で347/245 FPS (strict FP32)、Orin NX 8GBで2242/4482ドル、102 FPS (TF32)、Jetson Nano 4GBで15 FPS (FP32) に達したスケーラブルなモデルファミリも提供しています。
論文 参考訳(メタデータ) (2026-07-19T06:54:52Z) - EEVEE: Towards Test-time Prompt Learning in the Real World for Self-Improving Agents [64.96332056338923]
EEVEEは、LLMエージェントのための最初のマルチデータセットテスト時プロンプト学習フレームワークである。
実世界のタスクストリーム下でテスト時のプロンプト学習を可能にする。
EEVEEはQwen3-4B-InstructとDeepSeek-V3.2で平均マルチベンチマークスコアを10.38点、24.32点改善している。
論文 参考訳(メタデータ) (2026-06-09T17:57:16Z) - PLEIADES: Building Temporal Kernels with Orthogonal Polynomials [6.2921559513184695]
本稿では,基本関数から発生する時間的カーネルを含むPLEIA(Lynomial Expansion In Adaptive Distributed Event Systems)というニューラルネットワークのクラスを紹介する。
低レイテンシでオンライン分類と検出を行うために、これらのネットワークをイベントベースのデータで相互接続することに重点を置いている。
論文 参考訳(メタデータ) (2024-05-20T17:06:24Z) - Focal Modulation Networks [105.93086472906765]
自己注意(SA)は完全に焦点変調ネットワーク(FocalNet)に置き換えられる
ImageNet-1Kの精度は82.3%、83.9%である。
FocalNetsは下流のタスクに転送する際、顕著な優位性を示す。
論文 参考訳(メタデータ) (2022-03-22T17:54:50Z) - Tracking Objects as Points [83.9217787335878]
同時に検出と追跡を同時に行うアルゴリズムは,最先端技術よりもシンプルで,高速で,高精度である。
トラッカーであるCenterTrackは、前のフレームから一対のイメージと検出に検出モデルを適用します。
CenterTrackはシンプルで、オンライン(未来を覗くことはない)で、リアルタイムだ。
論文 参考訳(メタデータ) (2020-04-02T17:58:40Z) - Pixel-in-Pixel Net: Towards Efficient Facial Landmark Detection in the
Wild [104.61677518999976]
顔のランドマークを検出するために,Pixel-in-Pixel Net(PIPNet)を提案する。
提案モデルは,熱マップ回帰に基づく新しい検出ヘッドを備える。
PIPNetのクロスドメイン一般化能力をさらに向上するため,カリキュラムによる自己学習を提案する。
論文 参考訳(メタデータ) (2020-03-08T12:23:42Z) - Real-Time target detection in maritime scenarios based on YOLOv3 model [65.35132992156942]
ウェブスクレイピングによって収集された56k以上の海洋船舶の画像からなる、新しい船舶データセットが提案されている。
Keras APIをベースとしたYOLOv3シングルステージ検出器がこのデータセット上に構築されている。
論文 参考訳(メタデータ) (2020-02-10T15:25:19Z)
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。