Отправить статью по E-mail ПРИВИЛЕГИРОВАННОЕ ОБУЧЕНИЕ С ПОМОЩЬЮ РЕГУЛЯРИЗАЦИИ В ЗАДАЧЕ ОЦЕНКИ ПОЗЫ ЧЕЛОВЕКА
- Авторы: Каприелова М.С.1, Нейчев Р.Г.2, Тихонова А.Д.2
-
Учреждения:
- Федеральный исследовательский центр “Информатика и управление” РАН
- Московский физико-технический институт
- Выпуск: № 4 (2023)
- Страницы: 121-124
- Раздел: ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
- URL: https://journals.rcsi.science/0002-3388/article/view/136883
- DOI: https://doi.org/10.31857/S000233882303006X
- EDN: https://elibrary.ru/EULHZW
- ID: 136883
Цитировать
Открытый доступ
Доступ предоставлен
Только для подписчиков
Аннотация
Решается задача оценки позы человека по видеоданным. Производится анализ различных ключевых точек тела человека. Исследуется изменение точности фиксированной модели при использовании различных пропорций в регуляризационном слагаемом функции потерь. Показано, что при фиксированном количестве тренировочных эпох точность модели отличается в зависимости от выбранных пропорций. Кроме того, продемонстрировано, что линейная корреляция между траекториями ключевых точек, входящих в состав регуляризационного слагаемого, не является основным критерием при прогнозировании эффективности применения регуляризационного слагаемого функции потерь.
Об авторах
М. С. Каприелова
Федеральный исследовательский центр “Информатика и управление” РАН
Email: kaprielova.ms@phystech.edu
Россия, Москва
Р. Г. Нейчев
Московский физико-технический институт
Email: neychev@phystech.edu
Россия, Москва
А. Д. Тихонова
Московский физико-технический институт
Автор, ответственный за переписку.
Email: tikhonova.ad@phystech.edu
Россия, Москва
Список литературы
- Vapnik V., Vashist A. A New Learning Paradigm: Learning Using Privileged Information // Neural Networks. 2009. V. 22. P. 544–557.
- Lehrmann A., Gehler P., Nowozin S. A Non-parametric Bayesian Network Prior of Human Pose // Proc. IEEE Intern. Conf. On Computer Vision. Sydney, 2013. P. 1281–1288.
- Ionescu C., Papava D., Olaru V., Sminchisescu C. Human3. 6m: Large Scale Datasets and Predictive Methods for 3d Human Sensing in Natural Environments // IEEE Trans. On Pattern Analysis And Machine Intelligence. 2013. V. 36. P. 1325–1339.
- Ignatov A., Strijov, V. Human Activity Recognition Using Quasiperiodic Time Series Collected from a Single Tri-axial Accelerometer // Multimedia Tools And Applications. 2016. V. 75. P. 7257–7270.
- Katrutsa A., Strijov V. Stress Test Procedure for Feature Selection Algorithms // Chemometrics And Intelligent Laboratory Systems. 2015. V. 142. P. 172–183.
- Cliff O., Lizier J., Tsuchiya N., Fulcher B. Unifying Pairwise Interactions in Complex Dynamics // ArXiv 2022. ArXiv Preprint ArXiv:2201.11941.
- Trumble M., Gilbert A., Malleson C., Hilton A., Collomosse J. Total Capture: 3d Human Pose Estimation Fusing Video and Inertial Sensors // Proc. Of 28th British Machine Vision Conf. London, 2017. P. 1–13.
- Márquez-Neila P., Salzmann M., Fua P. Imposing Hard Constraints on Deep Networks: Promises and Limitations // ArXiv Preprint ArXiv:1706.02025 (2017).
- De Luca G., Lampoltshammer T., Scholz, J. How Many Equations of Motion Describe a Moving Human? // ArXiv Preprint ArXiv:2207.14331 (2022).
- Zheng C., Zhu S., Mendieta M., Yang T., Chen C., Ding, Z. 3d Human Pose Estimation with Spatial and Temporal Transformers // Proc. IEEE/CVF Intern. Conf. On Computer Vision. Montreal, 2021. P. 11656–11665.
