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
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.