Toward Reliable Human Pose Forecasting with Uncertainty

要約

タイトル：確実な人物ポーズ予測に向けての研究

要約：

– 人物の過去のポーズを元に、将来の3Dポーズを予測するタスクの解決を目的としたポーズ予測方法の開発が進んでいるが、一貫したベンチマークや限られた不確実性解析が進展を阻害している。
– この問題に対応するために、ヒューマンポーズ予測のオープンソースライブラリを開発し、複数のモデル、データセット、標準化された評価指標を備え、研究を促進し、一貫した公正な評価に向かうことを目指している。
– さらに、2種類の不確実性を導入し、パフォーマンスを向上させ、より良い信頼性を伝えることを目的としている。1つは、不確実性に関する事前知識を注入することにより、アレータイックな不確実性をモデル化する方法であり、意味のある監視に向けてモデルのキャパシティを集中させ、学習されたパラメータ数を減らし、安定性を向上する。2つめは、クラスタリングと割り当てエントロピーの測定によってモデルのエピステーミックな不確実性を定量化する新しい手法である。
– 実験により、精度が最大25％向上し、不確実性の推定のためのより優れたパフォーマンスが実証された。

要約(オリジナル)

Recently, there has been an arms race of pose forecasting methods aimed at solving the spatio-temporal task of predicting a sequence of future 3D poses of a person given a sequence of past observed ones. However, the lack of unified benchmarks and limited uncertainty analysis have hindered progress in the field. To address this, we first develop an open-source library for human pose forecasting, featuring multiple models, datasets, and standardized evaluation metrics, with the aim of promoting research and moving toward a unified and fair evaluation. Second, we devise two types of uncertainty in the problem to increase performance and convey better trust: 1) we propose a method for modeling aleatoric uncertainty by using uncertainty priors to inject knowledge about the behavior of uncertainty. This focuses the capacity of the model in the direction of more meaningful supervision while reducing the number of learned parameters and improving stability; 2) we introduce a novel approach for quantifying the epistemic uncertainty of any model through clustering and measuring the entropy of its assignments. Our experiments demonstrate up to $25\%$ improvements in accuracy and better performance in uncertainty estimation.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI