Improving 2D Human Pose Estimation in Rare Camera Views with Synthetic Data

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F24%3A00376983" target="_blank" >RIV/68407700:21230/24:00376983 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1109/FG59268.2024.10582011" target="_blank" >https://doi.org/10.1109/FG59268.2024.10582011</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/FG59268.2024.10582011" target="_blank" >10.1109/FG59268.2024.10582011</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Improving 2D Human Pose Estimation in Rare Camera Views with Synthetic Data

Popis výsledku v původním jazyce

Methods and datasets for human pose estimation focus predominantly on side- and front-view scenarios. We overcome the limitation by leveraging synthetic data and introduce RePoGen (RarE POses GENerator), an SMPL-based method for generating synthetic humans with comprehensive control over pose and view. Experiments on top-view datasets and a new dataset of real images with diverse poses show that adding the RePoGen data to the COCO dataset outperforms previous approaches to top- and bottom-view pose estimation without harming performance on common views. An ablation study shows that anatomical plausibility, a property prior research focused on, is not a prerequisite for effective performance. The introduced dataset and the corresponding code are available on the project website.

Název v anglickém jazyce

Improving 2D Human Pose Estimation in Rare Camera Views with Synthetic Data

Popis výsledku anglicky

Methods and datasets for human pose estimation focus predominantly on side- and front-view scenarios. We overcome the limitation by leveraging synthetic data and introduce RePoGen (RarE POses GENerator), an SMPL-based method for generating synthetic humans with comprehensive control over pose and view. Experiments on top-view datasets and a new dataset of real images with diverse poses show that adding the RePoGen data to the COCO dataset outperforms previous approaches to top- and bottom-view pose estimation without harming performance on common views. An ablation study shows that anatomical plausibility, a property prior research focused on, is not a prerequisite for effective performance. The introduced dataset and the corresponding code are available on the project website.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2024

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

2024 IEEE 18th International Conference on Automatic Face and Gesture Recognition (FG)

ISBN

979-8-3503-9495-5

ISSN

2326-5396

e-ISSN

—

Počet stran výsledku

9

Strana od-do

—

Název nakladatele

IEEE Computer Society Press

Místo vydání

New York

Místo konání akce

Istanbul

Datum konání akce

27. 5. 2024

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001270976600125