군중 상황에서 정확한 다중 사람의 자세 인식을 위한 군중 자세 주석 데이터 세트의 개선
Refining Crowd Pose Annotation Dataset for Accurate Multiple-Person Pose Estimations in Crowd Situations
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문에서는 군중 상황(crowd situations)에서 다중 사람 자세 인식기(multi-person pose estimator)를 개발하는 과정에서 필수적인 사람 자세 주석 데이터 세트를 개선하여 공개하는 연구를 소개한다. 이를 위해 먼저, 군중 밀도가 높아서 가림(occlusion)이 많이 발생하는 군중 상황 이미지에 대해서 가능한 많은 사람의 바운딩 박스(bounding box)와 각 사람의 관절 레이블(keypoint label)을 정확하게 표시하는데 편리하게 사용할 수 있는 주석 개선 도구(annotation refining tool)를개발하였다. 개발된 도구를 이용하여 군중 상황에서 다중 사람 자세 인식기의 성능 평가용으로많이 이용되는 기존 CrowdPose 데이터 세트의 8,000개 테스트 이미지의 사람 자세 주석을 교정하여 품질을 개선하였다. 분석 결과에 따르면 수정된 데이터 세트가 이전 버전보다 더 많은 사람의바운딩 박스를 포함하고 있으며, 또한 각 사람의 관절 레이블을 더 정확하게 표시하고 있어서 다중 사람 자세 인식기의 성능을 더 정확하게 평가할 수 있음을 확인하였다. 개발된 사람 포즈 주석 개선 도구와 수정된 데이터 세트는 https://github.com/InhaKMS/HuPo-AnT에서 공개될 예정이다.
Abstract
This paper describes refinement and release of a human pose annotation dataset, which is essential for developing multi-person pose estimators in crowd situations. To achieve this, we first developed an annotation refining tool that can be helpful to put accurate bounding box labels for many people at most and correct keypoint positions for each person in crowd situation images where many occlusions might occur since the crowd density is high. Using this tool, we enhanced the quality of the ground truth annotations for 8,000 test images from the CrowdPose dataset, which is widely used for evaluating the performance of multi-person pose estimators in crowd situations. Our analysis confirms that the performance of the multi-person pose estimator can be more accurately assessed, as the modified dataset contains more person’s bounding boxes and more accurate keypoint labels for each person than the previous version. The developed human pose annotation refining tool and the modified dataset will be publicly available at https://github.com/InhaKMS/HuPo-AnT.
참고문헌 (20)
- H. Fang, "RMPE: Regional Multi-Person Pose Estimation", Proceedings of IEEE International Conference on Computer Vision (2017)
- M. Toshpulatov, "Human Pose, Hand and Mesh Estimation using Deep Learning: A Survey", The Journal of Supercomputing, 78(6) (2022)[DOI]
- M. R. Ronchi, "Bechmarking and Error Diagnosis in Multi-Instance Pose Estimation", Proceedings of IEEE International Conference on Computer Vision, pp.369~378 (2017)
- C. Zheng, "Deep Learning-Based Human Pose Estimation : A Survey", ACM Computing Surveys, 56(11), pp.1~37 (2018)[DOI]
- H. Fang, "AlphaPose : Whole-Body Regional Multi-Person Pose Estimation and Tracking in Real-TIme", IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(6), pp.7157~7173 (2023)
- M. Zhou, "Rethinking Pose Estimation in Crowds : Overcoming the Detection Information Bottleneck and Ambiguity", Prceedings of IEEE, 2023, 14689~14699
- J. Li, "CrowdPose : Efficient Crowded Scences Pose Estimation and A New Bechmark", Proceedings of IEEE, 2019, 10855~10864
- M. Bendali-Braham, "Recent Trends in Crowd Analysis : A Review", Machine Learning and Applications, 4(15) (2021)[DOI]
- C. Kim, "Analyzing the Effects of Human Detection in Top-down Pose Estimation for Crowd Situation Recognitions", Proceedings of International Conference on Computer Science and its Applications(Part of LNEE 1190) (2023)
- M. Andriluka, "2D Human Pose Estimation: New Benchmark and State of the Art Analysis", Proceedings of IEEE Conference on Computer Vision and Pattern Recognition (2014)
- T. Y. Lin, "Microsoft COCO : Common Objects in Context", Proceedings of European Conference on Computer Vision, pp.740~755 (2014)
- J. Wu, "AI Challenger:A Large-scale Dataset for Going Deeper in Image Understanding", Proceedings of IEEE International Conference on Multimedia and Expo (2019)
- "COCO Annotator"[URL]
- "Supervisely"[URL]
- P. Perona, "Vision of a Visipedia", Proceedings of the IEEE, 98(8), pp.1526~1534 (2010)[DOI]
- A. Doering, "PoseTrack21 : A Dataset for Person Search, Multi-Object Tracking and Multi-Person Pose Tracking", Proceedings of IEEE, 2022, 20931~20940