はてなブックマーク

はじめに 今回は、2020年に採択された最新論文の中から、2D姿勢推定モデルに関する論文『DARK』を紹介します。 姿勢推定モデルにおいて、ヒートマップは座標表現のスタンダードになっていますが、これまで体系的に研究されたことがありませんでした。 今回ご紹介する論文は、そのヒートマップについて体系的に研究し、その上で、新しい座標表現を提案した論文です。 ヒートマップ例：Stacked Hourglass Networks for Human Pose Estimationより1 本論文の3つの要点 COCOデータセットに対して SOTA2 ( AP: 77.4 ) を達成！ ヒートマップの エンコード手法 をアップデート！ ヒートマップの デコード手法 をアップデート！ 提案手法 クラス分類器を学習する際は、One-hotベクトルを使うことが一般的ですが、姿勢推定のようなCNNモデルでは、ヒ

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? はじめに 人間の姿勢推定モデルの変遷と最新動向が分かりやすくまとまっているサイトがあったので、翻訳しました。 A 2019 guide to Human Pose Estimation with Deep Learning 以下、翻訳です。↓↓ Human Pose Estimation(人間の姿勢推定)は、過去数十年間コンピュータビジョンのコミュニティで注目されてきた重要な問題です。これは、画像やビデオの中の人々を理解するための重要なステップです。この記事では、Human Pose Estimation(2D)の基本について説明し、こ

はじめに 現在主流となっている点群処理モデル**「PointNet」**について解説する。 （なお、PointNetは2017年に提案されたモデルであり、その後さらに精度の高いモデルが多数提案されている。気になる方はこちらを参照。） また、特に断りのない限り，本記事で使用する画像は、こちらの論文1からの引用。 従来手法: ３次元畳み込みニューラルネットワーク Volumetric CNN：点群をボクセル化し、一層一層を画像として扱うことで、畳み込みニューラルネットワークの入力とする。 各ボクセルは 2 値で表現し，メッシュからボクセルに変換する際にボクセル内にデータがあるかどうかで 0 か 1 の値を決めて表現する。 Volumetric CNNの欠点として、ボクセル化する際に、点群データの空間特性が必然的に変化し、物体の凹凸表現が欠損してしまうことが挙げられる。 参照：VoxNet: A

はじめに 今回は、姿勢推定における一般的なアプローチの紹介と、最新論文を１つ紹介する。 紹介する論文は、Cascaded Pyramid Network for Multi-Person Pose Estimation1。 （特に断りのない限り，本記事で使用する画像は、こちらの論文1からの引用。） 姿勢推定の主なアプローチ 姿勢推定モデルには、大きく２つのアプローチがある。 ボトムアップ型: 画像中のキーポイントを全て洗い出したあと、人物ごとにマッチングさせて繋ぎ合わせていくやり方。 トップダウン型: まず人物を検知し、その後、それぞれの人物についてsingle person pose estimationを行うやり方。 ボトムアップ型 ボトムアップ型は、最初にキーポイントを洗い出したあと、それらを繋ぎ合わせていくことで、姿勢を推定する。 トップダウン型の手法に比べると、計算量は抑えられる