Auteurs:  (1) Juan F. Montesinos, Département des technologies de l'information et des communications, Universitat Pompeu Fabra, Barcelone, Espagne {juanfelipe.montesinos@upf.edu} ;  (2) Olga Slizovskaia, Département des technologies de l'information et des communications, Universitat Pompeu Fabra, Barcelone, Espagne {olga.slizovskaia@upf.edu} ;  (3) Gloria Haro, Département des technologies de l'information et des communications, Universitat Pompeu Fabra, Barcelone, Espagne {gloria.haro@upf.edu}.  Tableau des liens   Résumé et introduction   Travaux connexes   Base de données   Expériences   Conclusions et références  III. BASE DE DONNÉES  Solos[1] a été conçu pour avoir les mêmes catégories que l'ensemble de données URMP [1], afin que l'URMP puisse être utilisé comme ensemble de données de test dans un scénario réel. De cette façon, nous visons à établir une manière standard d'évaluer les performances des algorithmes de séparation de sources en évitant l'utilisation du mix-and-separate dans les tests. Les solos se composent de 755 enregistrements répartis en 13 catégories, comme le montre la figure 1, avec une quantité moyenne de 58 enregistrements par catégorie et une durée moyenne de 5 :16 min. Il est intéressant de souligner que, pour 8 catégories sur 13, la résolution médiane est HD, bien qu’il s’agisse d’un ensemble de données collectées sur YouTube. Les statistiques par catégorie peuvent être trouvées dans le tableau I. Ces enregistrements ont été rassemblés en interrogeant YouTube à l'aide des balises solo et des auditions dans plusieurs langues telles que l'anglais, l'espagnol, le français, l'italien, le chinois ou le russe.   A. Squelettes OpenPose  Les solos ne sont pas seulement un ensemble d’enregistrements. Outre les identifiants vidéo, nous fournissons également : i) des squelettes de corps et de mains estimés par OpenPose [33] dans chaque image de chaque enregistrement et ii) des horodatages indiquant les parties utiles. OpenPose est un système capable de prédire le squelette du corps et des mains   en utilisant deux réseaux de neurones différents. Pour ce faire, ils prédisent une carte de confiance de la croyance selon laquelle une partie spécifique du corps peut être localisée à un pixel donné, ainsi que des champs d'affinité de partie qui codent le degré d'association entre différentes parties du corps. Enfin, il prédit les squelettes 2D et la confiance par articulation via une inférence gourmande. En pratique, le squelette corporel est estimé avec un premier réseau. Ensuite, la position des poignets dans le squelette du corps est utilisée pour estimer la position des deux mains. Un deuxième réseau neuronal obtient indépendamment le squelette de chaque main. Notez que puisque chaque partie du corps est estimée indépendamment, OpenPose ne fait aucune hypothèse sur les membres à trouver. Il calcule simplement le squelette le plus probable en fonction des cartes de confiance et des champs d'affinité des pièces. L'ensemble du processus est effectué par trame. Cela entraîne un léger scintillement et des erreurs de prédiction entre les images.     B. Estimation des horodatages et affinement du squelette  OpenPose mappe les articulations mal estimées à l'origine des coordonnées. Nous avons constaté empiriquement qu’un saut aussi important dans la position d’une articulation induit du bruit. L'utilisation de coordonnées interpolées permet de résoudre ce problème.  Cet article est   sous licence CC BY-NC-SA 4.0 DEED. disponible sur arxiv  [1] Ensemble de données disponible sur https://juanfmontesinos.github.io/Solos/

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Kinetopgraph.TECH

Read My Stories

kinetograph

Cet audio est produit dans la langue originale de l'histoire !

Trop long; Pour lire

Boost your HackerNoon story @ $159.99! 🚀

Solos : un ensemble de données pour l'analyse de la musique audiovisuelle - Ensemble de données

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Créer des produits cryptographiques centrés sur l'utilisateur : l'importance des retours clients

Boostez votre productivité avec ces 18 outils de développement 🚀🔥

Vous voulez gagner un concours d’écriture HackerNoon ? Voici ce que recommandent les gagnants du concours #crypto-api

Créer des produits cryptographiques centrés sur l'utilisateur : l'importance des retours clients

Boostez votre productivité avec ces 18 outils de développement 🚀🔥

Vous voulez gagner un concours d’écriture HackerNoon ? Voici ce que recommandent les gagnants du concours #crypto-api

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps