Mar, 2018

人体运动捕捉中缺失标记重建的神经网络方法

PDF
TL;DR本文介绍了一种基于神经网络方法的光学运动捕捉系统，能通过学习人体动作在时间和空间上的相关性来重建丢失的标记点。实验得出两种不同的模型，一种基于 LSTM，另一种基于时间窗口，在线工作并得出了最先进的结果。
optical motion capture systemsneural network approachmissing markers positionslstm-based modeltime-window-based model
发现论文，激发创造
  • 基于区域的神经解算器用于光学动作捕捉

    我们提出了一种新颖的基于位置的学习方法，用于清理和解决光学动作捕捉数据。我们提出了一种新的异构图神经网络，将标记点和关节视为不同类型的节点，并使用图卷积操作提取标记点和关节的局部特征并将其转化为清晰的动作。我们的方法在多个数据集上取得了高准确性，相对于最先进方法，对于遮挡的标记点位置误差的预测准确性提高了约 20％，从而进一步降低了重建关节旋转和位置的误差约 30％。

    Sep, 2023

  • 具有物理意识的神经单目三维人体运动捕捉

    介绍了一种新的可训练系统，用于物理上合理的无标记 3D 人体运动捕捉，称之为 physionical，该系统在多种具有挑战性的场景下实现了最新技术的结果，其输入为 2D 关节关键点，能够在交互帧速率中生成平滑而物理明确的 3D 动作。

    May, 2021

  • 遮挡序列中步态周期重建和人体识别

    本文提出了一种用于步态识别的神经网络模型，采用 LSTM 预测每个遮挡帧的嵌入，然后融合两个 LSTM 的预测结果，该模型能够重构输入序列中的遮挡帧以提高步态识别准确率，并通过实验验证的测试结果表明，该方法在处理遮挡情况下的步态识别明显优于其他现有的方法。

    Jun, 2022

  • 基于循环神经网络的人体动作预测

    本文旨在研究人体运动建模领域的前沿研究，特别关注基于深度递归神经网络的研究成果，对当前问题的评价方法进行了调查，在研究现有的体系结构、代价函数和训练程序时，提出了三点标准改进措施，取得了最新技术的突破性进展。

    May, 2017

  • 使用深度循环神经网络追踪人类自然动作

    通过使用深度循环神经网络等技术，开发单一 Kinect 传感器来改善其骨架追踪的不自然运动，同时通过与商业光学运动捕捉系统进行比较，提出了新的自然度评估方法。

    Apr, 2016

  • 多深度相机实时人体运动捕捉

    本文介绍了一种仅使用少量 Kinect 传感器进行无标记动作捕捉的高效且廉价方法，通过使用最近的图像分割技术和纯合成数据进行课程学习，实现了对身体各部位的准确本地化并且无需使用显式形状模型。同时，我们介绍了一个包含约 6 百万合成深度帧的新数据集，并超过了 Berkeley MHAD 数据集的最新结果。

    May, 2016

  • MonoCap: 基于 CNN 和几何先验的单目人体动作捕捉

    本文提出了一种新颖的方法，利用深度卷积神经网络来对 2D 关节点位置进行建模，并通过期望最大化算法来恢复 3D 几何体，从而实现了对不带标记的单个摄像头的全身人体姿态估计。

    Jan, 2017

  • 噪声输入，偏差输出：平衡和实时的动作捕捉求解

    运用机器学习技术解决实时光学动作捕捉系统面临的挑战，包括通过模型训练解决标记估计的噪声问题、训练数据的获取和分布问题，实现即使使用稀疏的廉价传感器仍能提供稳健的基于标记的动作捕捉；通过采用统一的表示方法，以无标记动作捕捉的进展获取所需数据；通过改进的逆向运动学解决方案来考虑测量和推理的不确定性，进一步提高性能和稳健性。

    Sep, 2023

  • 上下文感知的人体动作预测

    本文利用语义图模型和图注意力层来建立上下文感知体系结构，旨在正确建模人类行为中的对象和人际互动以提高人类运动的预测准确性。通过在全身人类动作数据库上进行的彻底评估，论文显示出模式的优越性。

    Apr, 2019

  • 学习运动轨迹依赖关系进行人体动作预测

    本文提出了一种基于前馈深度网络的预测人体运动的方法，通过在运动轨迹空间而非传统的姿态空间中编码时间信息，同时使用通用的图卷积网络自动学习人体姿势的空间依赖关系，从而实现了超越以往人体运动预测方法的性能。

    Aug, 2019