NIPSOct, 2018

跨领域迁移物理运动用于神经惯性跟踪

PDF
TL;DR本研究提出了一种基于域不变特征的想法，可以在不需要任何配对数据的情况下，将传感器从一个环境转移到另一个环境，对于使用标志数据存在困难的长期传感器序列非常适用，并通过实验证明了其在物理知识转移方面具有很高的效率和准确性，可以从标准移动电话所得的各种附件中的原始 IMU 测量中重构出具有实际意义的轨迹。
inertial information processingdomain adaptationsensor placementmobile agentsimu measurements
发现论文，激发创造
  • 使用非监督式领域转移从佩戴式传感器进行活动分类

    本文提出一种在不需要在新的身体部位获取分类标签的情况下，通过利用现有的活动分类器在参考身体部位的惯性测量单元（IMU）数据的基础上进行活动分类的创新方法来执行新的身体部位上的活动分类。

    Apr, 2023

  • 利用惯性传感器的多域多模态融合人体动作识别

    本文提出了一个多域多模态融合框架，利用卷积神经网络和规范相关融合来提取不同域的特征以识别多重动作，并将输入惯性数据转换为信号图像进行处理，并在三个惯性数据集上得到了比现有文献更准确的结果。

    Aug, 2020

  • 基于不变性的观察者普通运动下空间映射

    该论文研究了基于视觉动态的不变性，通过利用非线性函数与光流之间的关系，提出了一种新的瞬时领域，使得静止环境在连续的相机运动中保持不变，能够在特定的子空间中检测和避开障碍物，并可能检测移动物体。

    Nov, 2023

  • 物理惯性姿势估计器（PIP）：基于稀疏惯性传感器的物理感知实时人体动作跟踪

    利用 6 个惯性传感器，通过神经运动学估计器和物理感知运动优化器，实现身体运动的跟踪和重建，并在运动捕获精度、时间稳定性和物理正确性方面实现了极大的提高。

    Mar, 2022

  • IONet: 学习解决惯性测距中的漂移问题

    该研究旨在解决低成本惯性传感器的误差问题，提出了一种基于分段优化的方法，使用深度循环神经网络可以更准确地估计位移。实验结果表明，所提出的 IONet 方法可以广泛适用于各种测试和附件，尤其可以用于非周期运动的轨迹估计，如购物车或婴儿车，超越了现有技术。

    Jan, 2018

  • VINet: 视觉惯性里程计作为序列到序列学习问题

    本研究提出了一个基于流形的序列到序列学习方法，用于使用视觉和惯性传感器进行运动估计。该方法具有许多优点，特别是它无需手动同步相机和 IMU，也无需手动校准 IMU 和相机。当具有准确的校准数据时，我们的方法与传统方法有竞争力，并且在校准和同步误差存在的情况下可以训练超越它们。

    Jan, 2017

  • TransPose: 具有六个惯性传感器的实时三维人体翻译和姿态估计

    本文提出了一种基于深度神经网络的新方法 TransPose，旨在通过仅 6 个惯性测量单元（IMUs）的运动数据，实现全身动作的捕捉，包括全局平移和身体姿势，并展示了其在准确性和效率方面优于目前的学习和优化方法。

    May, 2021

  • 自由度重要：从点轨迹推断动力学

    通过神经网络学习隐式运动场，预测 3D 场景中新点的运动，以改善场景重建、运动跟踪和角色创建等应用。

    Jun, 2024

  • RIOT: 低成本 IMU 测量本地化的递归惯性里程计变换器

    本研究提出一种深度学习的惯性里程计方法，将传统的状态估计递归方法引入到深度学习领域。该方法结合了真实位置先验知识，使用自我注意力来捕捉惯性数据中的空间特征和长程相关性，并能学习运动特征和系统误差偏差漂移，成功实现无需外部观察者的自主运动估计。

    Mar, 2023

  • 任务和领域跨界学习

    本文提出了一种新的适应性框架，用于跨任务和领域传递知识，通过在一个完全监督域中学习跨任务和领域的知识，使其在只有部分监督域中实现性能增益。实验证明了该框架在两个具有挑战性的任务（即单眼深度估计和语义分割）和四个不同领域（Synthia、Carla、Kitti 和 Cityscapes）中的有效性。

    Apr, 2019