CNN Architectures for Human Pose Estimation from a Very Low Resolution Depth Image - Publikacja - MOST Wiedzy

Wyszukiwarka

CNN Architectures for Human Pose Estimation from a Very Low Resolution Depth Image

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

  • 0

    CrossRef

  • 0

    Web of Science

  • 0

    Scopus

Pełna treść

pełna treść publikacji nie jest dostępna w portalu

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

wyświetlono 24 razy

Publikacje, które mogą cię zainteresować

Meta Tagi