Zwei Paper wurden bei CVsports@CVPR 2025 akzeptiert: "Leveraging Anthropometric Measurements to Improve Human Mesh Estimation and Ensure Consistent Body Shapes" von Katja Ludwig, Julian Lorenz, Daniel Kienzle, Tuan Bui & Rainer Lienhart sowie "
Efficient 2D to Full 3D Human Pose Uplifting including Joint Rotations" von Katja Ludwig, Yuliia Oksymets, et al.

Das Paper "Towards Ball Spin and Trajectory Analysis in Table Tennis Broadcast Videos via Physically Grounded Synthetic-to-Real Transfer" von den Autoren Daniel Kienzle, Robin Schön, Rainer Lienhart und Shin’Ichi Satoh wurde für den CVSports Workshop angenommen.
Der Workshop findet im Rahmen der IEEE/CVF Computer Vision and Pattern Recognition Conference (CVPR) statt.

Für das Paper mit dem Titel „SkipClick: Combining Quick Responses and Low-Level Features for Interactive Segmentation in Winter Sports Contexts” wurde den Autoren Robin Schön, Julian Lorenz, Daniel Kienzle und Rainer Lienhart der Best Paper Award auf dem Workshop für Computer Vision for Winter Sports verliehen. Der Workshop fand im Rahmen der WACV 2025 in Tucson, Arizona statt.

Ein Paper mit dem Titel „SkipClick: Combining Quick Responses and Low-Level Features for Interactive Segmentation in Winter Sports Contexts” von Robin Schön, Julian Lorenz, Daniel Kienzle und Rainer Lienhart wurde auf dem Workshop für „Computer Vision for Winter Sports (CV4WS)“ akzeptiert. Dieser wird im Kontext der WACV 2025 in Tucson, AZ stattfinden.

Das Paper "A Fair Ranking and New Model for Panoptic Scene Graph Generation" von Julian Lorenz, Alexander Pest, Daniel Kienzle, Katja Ludwig und Rainer Lienhart wurde für die ECCV 2024 als Oral Paper akzeptiert.

In der Veröffentlichung werden signifikante Fehler in der bisher verbreiteten Evaluierung von Panoptic Scene Graphs aufgezeigt. Die Autoren präsentieren eine Lösung für dieses Problem und werten existierende Veröffentlichungen auf den neuen Erkenntnissen aus.
Abschließend stellen die Autoren eine verbesserte neue Modellarchitektur für Panoptic Scene Graph Generation vor.

Weitere Informationen sind unter https://lorjul.github.io/fair-psgg/ zu finden.

Das Paper mit dem Namen "WSESeg: Introducing a Dataset for the Segmentation of Winter Sports Equipment with a Baseline for Interactive Segmentation" von Robin Schön, Daniel Kienzle und Rainer Lienhart wurde auf der CBMI 2024 akzeptiert. In der Veröffentlichung präsentieren die Autoren einen neuen Datensatz, welcher Bilder und Segmentierungsmasken zu Wintersportgeräten enthält.

Ein Paper mit dem Titel „Adapting the Segment Anything Model During Usage in Novel Situations“ von Robin Schön, Julian Lorenz, Katja Ludwig und Rainer Lienhart wurde auf dem Workshop für „Efficient Large Vision Models (eLVM)“ akzeptiert. Dieser Workshop findet im Rahmen der CVPR 2024 in Seattle statt. Das Paper stellt eine Methode vor, um das Segment Anything Model (SAM) ohne Zuhilfenahme von zusätzlichen Trainingsdaten zur Testzeit anzupassen. Anstelle dessen werden Information, welche während der Verwendung des Systems anfallen, zur Generierung von Pseudolabels verwendet.

Das Paper "A Review and Efficient Implementation of Scene Graph Generation Metrics" von Julian Lorenz, Robin Schön, Katja Ludwig und Rainer Lienhart wurde beim Workshop on Scene Graphs and Graph Representation Learning auf der CVPR 2024 akzeptiert.

 

Die Autoren schaffen einen Überblick über existierende Scene Graph Generation Metriken und präsentieren präzise Definitionen, die bisher noch nicht gegeben waren. Außerdem stellen die Autoren ein Pythonpaket vor, dass eine effiziente und leicht zu verwendende Implementierung der eingeführten Metriken bietet. Um Scene Graph Generation Methoden in Zukunft besser vergleichen zu können wird ein Benchmarking-Service eingerichtet, über den neue Methoden leicht verglichen werden können.

 

Weitere Informationen sind unter https://lorjul.github.io/sgbench/ zu finden.

 

Das Paper mit dem Titel "Towards Learning Monocular 3D Object Localization Using the Physical Laws of Motion" von Daniel Kienzle, Julian Lorenz, Katja Ludwig und Rainer Lienhart wurde auf der Internation Conference on 3D Vision (3DV) 2024 akzeptiert. Das Paper beschreibt eine neue Methode, um Objekten in 3D zu lokalisieren, ohne dass 3D-Grundwahrheiten benötigt werden. Stattdessen wird das Wissen über physikalische Gesetze genutzt, um diese Aufgabe zu lernen.

 

Weitere Informationen zu diesem Paper sind unter https://kiedani.github.io/3DV2024/ zu finden.

Das Paper „Haystack: A Panoptic Scene Graph Dataset to Evaluate Rare Predicate Classes” von Julian Lorenz, Florian Barthel, Daniel Kienzle und Rainer Lienhart wurde beim First ICCV Workshop on Scene Graphs and Graph Representation Learning (SG2RL) akzeptiert. Die Autoren präsentieren Haystack, einen neuartigen Datensatz für Scene Graph Generation, der entwickelt wurde, um die Schwachstellen der Evaluation mit aktuellen Scene Graph Datensätzen zu verhindern. Insbesondere zeichnet sich Haystack dadurch aus, dass er seltene Prädikatklassen enthält und auch negative Annotationen beinhaltet. Erst durch diese Eigenschaften können seltene Beziehungen zuverlässig evaluiert werden. Mithilfe der besonderen Struktur des Datensatzes sind die Autoren in der Lage, drei neue Metriken zu definieren, die verwendet werden können, um aussagekräftigere Aussagen über die Modellausgaben zu seltenen Prädikaten zu machen.

 

Weitere Informationen sind unter https://lorjul.github.io/haystack/ zu finden.