文献

J-GLOBAL ID：202102218180860062   整理番号：21A2494501

実時間3D姿勢トラッキングのためのオクルージョンを意識したフレームワーク【JST・京大機械翻訳】

An Occlusion-Aware Framework for Real-Time 3D Pose Tracking

著者 (5件)： Fu Mingliang (State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang 110016, China) ,  Fu Mingliang (University of Chinese Academy of Sciences, Beijing 100049, China) ,  Leng Yuquan (Department of Mechanical and Energy Engineering, Southern University of Science and Technology, Shenzhen 518055, China) ,  Luo Haitao (State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang 110016, China) ,  Zhou Weijia (State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang 110016, China)
資料名： Sensors (Web)  (Sensors (Web))
巻： 18  号： 8  ページ： 2734  発行年： 2018年 
JST資料番号： U7015A  ISSN： 1424-8220  CODEN： SENSC9  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 画像シーケンス上の3D時間追跡のためのランダムフォレストベースの方法は,近年,ますます増加している。それらは,オブジェクトテクスチャを必要とせず,入力として生深度画像と以前の姿勢のみを使用するだけで,特にテクスチャレスオブジェクトに適している。これらの方法は,実際のケースをモデル化できない,予め決められたオクルージョンパターンから,ビルトインオクルージョンハンドリングを学習する。さらに,ランダムフォレストの入力は,オクルージョンが深くなるにつれて,ますます多くの異常値と混合される。本論文では,RGB-D画像から実時間でロバストな3D姿勢追跡が可能なオクルージョン認識フレームワークを提案した。この目的のために,提案フレームワークをランダムフォレストベース学習戦略に固定し,RFトラッカーと呼ぶ。著者らは,2つの側面からその性能を強化することを目的とした:一方,1つの側面に関するランダムフォレストの統合局所精密化と,他方のオンラインレンダリングに基づくオクルージョン処理。RFトラッカーの学習と予測の間の不整合を除去するために,局所精密化ステップを,最適回帰に向けてランダムフォレストを導くために埋め込んだ。さらに,動的オクルージョンに対するロバスト性を改善するために,オンラインレンダリングベースオクルージョン処理を提示した。一方,軽量畳込みニューラルネットワークベースの動き補償(CMC)モジュールを,画像周波数とデータ伝送によって引き起こされる高速運動と避けられない物理的遅延に対処するために設計した。最後に,実験により,提案フレームワークは,RFトラッカーよりも,非常に隠蔽されたシーンにより良好に対処でき,実時間性能を保存することを示した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 不整合 ,  精密化 ,  異常値 ,  *三次元 ,  ロバスト性 ,  レンダリング ,  動き補償 ,  *オクルージョン
準シソーラス用語： 画像列 ,  実時間 ,  オンライン ,  ランダムフォレスト ,  RGB-D ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (4件)： 姿勢追跡 ,  咬合操作 ,  オンラインレンダリング ,  動き補償

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

引用文献 (43件)：

• Comaniciu, D.; Ramesh, V.; Meer, P. Kernel-based object tracking. IEEE Trans. Pattern Anal. Mach. Intell. 2003, 25, 564-577.
• [Green Version] Song, S.; Xiao, J. Tracking revisited using RGBD camera: Unified benchmark and baselines. In Proceedings of the IEEE Intertional Conference on Computer Vision, Sydney, Australia, 3-6 December 2013; pp. 233-240.
• Meshgi, K.; Ishii, S. The State-of-the-Art in Handling Occlusions for Visual Object Tracking. IEICE Trans. Inf. Syst. 2015, 98, 1260-1274.
• Billinghurst, M.; Clark, A.; Lee, G. A survey of augmented reality. Found. Trends Hum. Comput. Interact. 2014, 8, 73-272.
• Oikonomidis, I.; Kyriazis, N.; Argyros, A.A. Efficient model-based 3D tracking of hand articulations using kinect. In Proceedings of the British Machine Vision Conference, Nottingham, UK, 1-5 September 2014; pp. 1-11.

タイトルに関連する用語 (7件)： 実時間 ,  3D ,  姿勢 ,  トラッキング ,  オクルージョン ,  意識 ,  フレームワーク