介護施設環境における深度ベースの人物姿勢推定の評価
Evaluating Depth-Based Human Pose Estimation in Real-World Nursing Home Environments
本研究では、介護施設のようなプライバシーへの配慮、オクルージョン、人数の変動、センサーノイズといった課題がある実環境屋内での人物姿勢推定を、深度画像を用いて調査する。深度のみ、シルエットベース、深度ベースのSobel勾配特徴量など複数の入力表現を検討し、軽量CNN、グラフベースモデル、ResNetやHRNetなどの深層アーキテクチャを含む実験フレームワークを設計した。評価の結果、深度とSobel勾配特徴量を入力としたCNN+GCNモデルが、7関節ベースラインにおいて、部屋依存設定で77.18%、部屋非依存設定で76.03%のテストPCKを達成し、最も高い性能を示した。一般的に軽量モデルは高キャパシティアーキテクチャよりも優れた性能を示したが、そのメカニズムは特定されていない。CNN+LSTMはフレーム単位CNNと比較してフレームレベル性能を低下させた。現実的な条件下では、部分的な視認性や複数人のシーンで性能が低下した。視認性予測ヘッドの追加は、評価シナリオでわずかな改善をもたらした。空室でのトレーニングは、偽の姿勢予測を低減させた。結果は、軽量アーキテクチャと構造的な深度表現が、プライバシーに配慮した介護施設環境での姿勢推定に有望であることを示唆しているが、部分的な視認性、複数人シーン、オクルージョンされた関節のアノテーションの不確実性、エンドツーエンド展開には依然として大きな課題が残る。計算測定では、テストされたハードウェア上でモデル推論時間は低いことが示されたが、エンドツーエンドのリアルタイムシステム性能は確立されていない。
- 深度画像とSobel勾配特徴量を入力としたCNN+GCNモデルが、7関節ベースラインで部屋依存77.18%、部屋非依存76.03%のテストPCKを達成し最高性能
- 軽量CNNやグラフベースモデルがResNetやHRNetなどの高キャパシティな深層アーキテクチャより優れた性能を示したが、そのメカニズムは未特定
- 部分的な視認性や複数人シーンで性能が低下し、遮蔽関節のアノテーション不確実性やエンドツーエンド展開が課題として残る
- 空室データでのトレーニングが偽の姿勢予測を低減し、視認性予測ヘッドの追加が評価シナリオでわずかな改善をもたらした
- CNN+LSTMはフレーム単位CNNと比べフレームレベル性能を低下させた
深度画像のみでプライバシーに配慮した姿勢推定を介護施設環境で実証した研究。CNN+GCNが部屋依存77.18%・部屋非依存76.03%のPCKを達成し、軽量モデルがResNet/HRNet等の高容量アーキテクチャを上回った点は、介護・見守り分野向けエッジAIのコスト・消費電力優位を示唆する。ただし部分遮蔽や複数人シーンでの性能低下、エンドツーエンドのリアルタイム性能未確立といった課題が残り、商用展開には依然として距離がある。