Evaluating Recent 2D Human Pose Estimators for 2D-3D Pose Lifting
Notice bibliographique
Résumé
Monocular 3D human pose estimation involves predicting the 3D pixel coordinates of key body joints from a 2D image or video. Typically, a 2D estimation model is employed to initially determine joint locations in an image, followed by training a separate model to lift these positions to 3D coordinates. In this paper, we evaluate the performance of recently proposed 2D human pose estimation models as different inputs for training and evaluation of 2D-3D lifting models. In addition, we propose four simple merging strategies to combine the outputs of these 2D human pose estimators and generate less noisy 2D inputs. To evaluate, four recent 2D pose estimators—ViTPose, PCT, MogaNet, and TransPose—are selected, and their corresponding 2D outputs are generated on the Human3.6M dataset. Subsequently, MotionAGFormer and PoseFormerV2 are trained and evaluated using each created 2D input and its corresponding 3D motion-capture ground truth. ViTPose stands out as the top-performing 2D estimator, and employing all merging strategies proves beneficial in generating a less noisy 2D input. Code and data are available at https://github.com/TaatiTeam/2DEstimatorEval.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».