Wyszukiwarka
Abstrakt
The paper is dedicated to proposing and evaluating a number of convolutional neural network architectures for calculating a multiple regression on 3D coordinates of human body joints tracked in a single low resolution depth image. The main challenge was to obtain a high precision in case of a noisy and coarse scan of the body, as observed by a depth sensor from a large distance. The regression network was expected to reason about relations of body parts based on depth image, and to extract locations of joints. The method involved creation of a dataset with 200,000 realistic depth images of a 3D body model, then training and testing numerous CNN architectures. The results are included and discussed. The achieved accuracy was similar to a reference Kinect algorithm results, with a great advantage of fast processing speed and significantly lower requirements on sensor resolution, as it used 100 times less pixels than Kinect depth sensor.
Cytowania
-
2
CrossRef
-
0
Web of Science
-
2
Scopus
Cytuj jako
Pełna treść
pełna treść publikacji nie jest dostępna w portalu
Słowa kluczowe
Informacje szczegółowe
- Kategoria:
- Aktywność konferencyjna
- Typ:
- publikacja w wydawnictwie zbiorowym recenzowanym (także w materiałach konferencyjnych)
- Tytuł wydania:
- 2018 11th International Conference on Human System Interaction (HSI) strony 118 - 127
- Język:
- angielski
- Rok wydania:
- 2018
- Opis bibliograficzny:
- Szczuko P.: CNN Architectures for Human Pose Estimation from a Very Low Resolution Depth Image// 2018 11th International Conference on Human System Interaction (HSI)/ : , 2018, s.118-127
- DOI:
- Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1109/hsi.2018.8431338
- Weryfikacja:
- Politechnika Gdańska
Powiązane datasety
- dane badawcze Very low resolution depth images of 200,000 poses
wyświetlono 134 razy