抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
人間の構文解析における大きな成功にもかかわらず,動物のような他の変形可能な関節オブジェクトの構文解析の進歩は,ラベル付きデータの欠如によってまだ限られている。本論文では,CAD動物モデルから生成された合成画像とグランドトルースを用いて,この課題に取り組んだ。実画像と合成画像間のドメインギャップを埋めるために,新しい一貫性制約付き半教師つき学習法(CC-SSL)を提案した。提案手法では,非ラベル実画像を用いて合成データ上で訓練されたブートストラップ弱モデルに対して,空間的および時間的一貫性の両方を利用した。ウマやチグなどの高変形性動物に対する著者らの方法の有効性を実証した。実際の画像ラベルを使用せずに,提案手法は実画像の正確なキーポイント予測を可能にする。さらに,合成データを用いたモデルは,視覚ドメイン適応チャレンジデータセットにおける異なるドメインにわたって実画像上で訓練されたモデルよりも良好な一般化性能を達成することを示した。この合成データセットは,多様な姿勢と豊富なグランドトルースを有する10+動物を含み,さらにモデルの性能をさらに高めるためのマルチタスク学習戦略の使用を可能にする。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】