ПРЕДСТАВЛЕНИЕ КООРДИНАТ С УЧЕТОМ РАСПРЕДЕЛЕНИЯ ДЛЯ ОЦЕНКИ ПОЗЫ ЧЕЛОВЕКА
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Abstrak:
В этой научной статье представление координат с особым акцентом на тепловую карту. Интересно, что мы обнаружили, что процесс декодирования предсказанных тепловых карт в окончательные координаты суставов в исходном пространстве изображения на удивление важен для оценки позы человека, что, тем не менее, ранее не признавалось. В свете обнаруженной важности мы дополнительно исследуем конструктивные ограничения стандартного метода декодирования координат, широко используемого существующими методами, и предлагаем более принципиальный метод декодирования с учетом распределения. Обширные эксперименты показывают, что DARK дает наилучшие результаты на двух распространенных тестах, MPII и COCO, последовательно подтверждая полезность и эффективность нашей новой идеи представления координат.
##plugins.themes.bootstrap3.article.details##
##submission.howToCite##:
##submission.citations##:
Begmatov Sh.A., Arabboyev M.M, Xudayberganov J.D. “ Google media-pipe kutubxonasidan foydalangan holda inson gavdasi harakatlari farqlarini baholash” Muhammad al-Xorazmiy avlodlari 3(21)2022.
Andriluka, M.; Pishchulin, L.; Gehler, P.; and Schiele, B. 2014. 2d human pose estimation: New benchmark and state of the art analysis. In IEEE Conference on Computer Vision and Pattern Recognition. [Andriluka et al. 2014]
Belagiannis, V., and Zisserman, A. 2017. Recurrent human pose estimation. In IEEE Conference on Automatic Face and Gesture Recognition. [Belagiannis and Zisserman 2017]
Carreira, J.; Agrawal, P.; Fragkiadaki, K.; and Malik, J. 2016. Human pose estimation with iterative error feedback. In IEEE Conference on Computer Vision and Pattern Recognition. [Carreira et al. 2016]
Chen, X., and Yuille, A. L. 2014. Articulated pose estimation by a graphical model with image dependent pairwise relations. In Advances in Neural Information Processing Systems. [Chen and Yuille 2014]
Chen, Y.; Shen, C.; Wei, X.-S.; Liu, L.; and Yang, J. 2017. Adversarial posenet: A structure-aware convolutional network for human pose estimation. In IEEE International Conference on Computer Vision. [Chen et al. 2017]
Chen, Y.; Wang, Z.; Peng, Y.; Zhang, Z.; Yu, G.; and Sun, J. 2018. Cascaded pyramid network for multi-person pose estimation. In IEEE Conference on Computer Vision and Pattern Recognition. [Chen et al. 2018]
Chu, X.; Ouyang, W.; Li, H.; and Wang, X. 2016a. Structured feature learning for pose estimation. In IEEE Conference on Computer Vision and Pattern Recognition. [Chu et al. 2016a]
Chu, X.; Ouyang, W.; Wang, X.; et al. 2016b. Crf-cnn: Modeling structured information in human pose estimation. In Advances in Neural Information Processing Systems, 316– 324. [Chu et al. 2016b]
Fan, X.; Zheng, K.; Lin, Y.; and Wang, S. 2015. Combining local appearance and holistic view: Dual-source deep neural networks for human pose estimation. In IEEE Conference on Computer Vision and Pattern Recognition. [Fan et al. 2015]
Fang, H.-S.; Xie, S.; Tai, Y.-W.; and Lu, C. 2017. Rmpe: Regional multi-person pose estimation. In IEEE Conference on Computer Vision and Pattern Recognition, 2334–2343. [Fang et al. 2017]
Gkioxari, G.; Toshev, A.; and Jaitly, N. 2016. Chained predictions using convolutional neural networks. In European Conference on Computer Vision. [Goodfellow, Bengio, and Courville 2016] Goodfellow, I.; Bengio, Y.; and Courville, A. 2016. Deep learning. MIT press. [Gkioxari, Toshev, and Jaitly 2016]
Ke, L.; Chang, M.-C.; Qi, H.; and Lyu, S. 2018. Multi-scale structure-aware network for human pose estimation. In European Conference on Computer Vision. [Ke et al. 2018]
LeCun, Y.; Bottou, L.; Bengio, Y.; Haffner, P.; et al. 1998. Gradient-based learning applied to document recognition. Proceedings of the IEEE 86(11):2278–2324. [LeCun et al. 1998]