Apr, 2018

基于深度卷积自编码器的虚拟现实视频运动异常度测量及晕眩评估

PDF
TL;DR本文提出了一种新的 VR 视频运动异常的客观评价方法，该方法使用卷积自编码器编码 VR 视频中的运动信息，以测量 VR 视频中异常运动的程度，从而评估 VR 病的程度。
vr sicknessmotionsickness assessmentexceptional motionconvolutional autoencoder
发现论文，激发创造
  • VR.net：虚拟现实运动晕眩研究的真实世界数据集

    该研究使用机器学习技术识别了虚拟现实（VR）中的晕动症，提出了 VR.net 数据集以便进行风险因素检测和病情预测。

    Jun, 2023

  • 探索 VR 晕眩的更深入理解：针对 VR 内容的身体症状预测

    本文通过评估 VR 病的身体症状水平来解决黑匣子问题，预测和提供 VR 病的主要身体症状的程度，并介绍了一个包括各种帧率，生理信号和主观分数的 360 视频的新的大规模数据集。在 VRSA 基准测试和我们新收集的数据集上，我们的方法表现出不仅可与主观分数实现最高相关性，而且能够更好地理解哪些症状是 VR 病的主要原因。

    Apr, 2021

  • 创新的虚拟现实中的晕动检测：探索头部运动模式

    通过分析头部运动作为一种新的生理标记来检测 VR 引起的晕动症，该研究使用公开可获得的数据集对头部运动进行了广泛的特征提取，并借助机器学习算法预测晕动症的准确率达到 76% 和精确度达到 83%。

    Feb, 2024

  • VR-LENS：基于超级学习的 VR 晕动检测和可解释 AI 指导下的部署

    本研究提出了一个基于可解释人工智能技术的框架 VR-LENS，用于开发和部署处理虚拟现实引起的眩晕情况检测模型。通过超级学习算法集成，使用 SHapley、Morris、Local Interpretable Model-Agnostic、Partial Dependence Plot 等解释方法识别最具有代表性的特征来重新训练模型，使用整合传感器数据集，我们的模型在分类和回归方面均超过了现有技术。而且，可以将该算法部署在一般 VR 设备上，实现快速检测。

    Feb, 2023

  • LiteVR: 可解释的轻量级晕动检测，使用可解释人工智能

    该论文提出了一种名为 LiteVR 的可解释人工智能框架，用于检测基于长短期记忆（LSTM）、门控循环单元（GRU）和多层感知机（MLP）的三种模型诉说其结果并减少功能维度和计算成本，其中眼动跟踪功能是检测疾病最为显著的特征。该框架可帮助研究人员和从业人员分析、检测和在独立 VR HMDs 中部署基于 DL 的 cybersickness detection 模型。

    Feb, 2023

  • 学习外观 - 运动正常性，用于视频异常检测

    本文提出了一种增强空间 - 时间记忆的双流自编码器框架，通过对抗学习，学习外观正常性和运动正常性，并探索空间和时间模式之间的相关性，在 UCSD Ped2 和 CUHK Avenue 数据集上，该框架的 AUC 分别为 98.1％和 89.8％，胜过最先进的方法。

    Jul, 2022

  • 虚拟现实中的自身形象动画：动作信号伪像对全身姿态重建的影响

    该研究探讨了虚拟现实应用中自身角色的动作信息与重建误差之间的关系，并发现方法对降解的敏感度尤其体现在动作重建速度误差。

    Apr, 2024

  • 使用卷积 VRNN 进行未来帧预测的异常检测

    本研究提出了一种基于生成模型和 ConvLSTM 的新型顺序生成模型，用于预测未来视频帧，并在异常检测框架中考虑时间信息，实验表明，该方法在三个基准数据集上优于现有最先进方法。

    Sep, 2019

  • 利用稀疏深度自编码器估算基于骨骼的步态异常指数

    该论文提出了一种基于深度相机提供的骨骼信息来估计步态异常指数的方法，该方法利用深度自编码器自动提取步态特征，并采用稀疏度约束以获得可视化的特征，同时考虑时间因素作为后处理，实验表明该方法在近十万骨架样本数据集上表现出色。

    Aug, 2019

  • 变分自编码器在视频视觉异常检测中的应用

    本研究比较了卷积 LSTM 和变分卷积 LSTM 自编码器的性能，讨论了在视频异常检测中利用无监督学习方式训练模型的可行性和实用性。

    Mar, 2022