Jan, 2019

牛津多运动数据集：具有地面真值的多个 SE（3）运动

PDF
TL;DR本文描述了牛津多动态数据集，该数据集提供了许多复杂的多动态估计问题，包括挑战现有算法的复杂问题以及支持算法开发的简化问题。数据集包含来自静态和动态传感器的观测、多个移动体的不同 3D 运动的数据以及旋转和遮挡等多个问题的实验。它还提供了 110 分钟的数据包括立体和 RGB-D 摄像头图像、IMU 数据和 Vicon 地面真值轨迹，是多动态估计研究的一个有价值的资源。
multimotion estimationdatasetground truthroboticscomputer vision
发现论文，激发创造
  • MI-Motion 数据集和多人 3D 动作预测基准

    本文介绍了一个新的数据集 MI-Motion，用来帮助研究多人运动预测，并提供基准测试来评估预测模型的性能，同时还介绍了一种新的基线方法 —— 图卷积神经网络和时间卷积神经网络。

    Jun, 2023

  • 多运动视觉里程计：同时估计相机和第三方运动

    该论文研究了在动态场景中同时估计相机和环境物体的运动情况，提出了一种称为多动模视觉里程计 (MVO) 的管道，不需要先验知识和对环境的已知条件，该算法在真实动态数据集上的验证实验表明良好的性能。

    Aug, 2018

  • MoVi：一个大型通用运动与视频数据集

    本文介绍了一组新的人体运动和视频数据集 MoVi，其中包括 60 名女性和 30 名男性表演 20 种预定义的日常动作和运动，以及一种自选运动。该数据集包含 9 小时的运动捕捉数据、17 小时的 4 个不同视角的视频数据和 6.6 小时的 IMU 数据，同时还描述了数据集的收集和后处理过程，并探讨了该数据集可促进的研究方向。

    Mar, 2020

  • Motion-X：大规模三维表现全身人体运动数据集

    该研究介绍了 Motion-X 数据集及其构建方法，包含全身运动数据、姿态描述、语义标注等，采用高精度、低成本、可扩展的自动化流程进行数据标注，旨在提高生成自然、多样、表达丰富的运动以及进行 3D 人体网格恢复的能力。

    Jul, 2023

  • Oxford 机器人车数据集的实时动态运动学地面真实性

    该研究描述了一项挑战性的长期定位和映射基准数据的发布，基于大规模牛津机器人车数据集。该数据集包括经过英国牛津市的 72 次通过路线，代表了自动驾驶车辆可靠运行的条件。使用后处理的原始 GPS、IMU 和静态 GNSS 基站记录，我们已经为整个数据集的长达一年的持续时间产生了全球一致的厘米级精度的地面真实性。配合计划中的在线基准测试服务，我们希望能够实现在城市环境中长期自主驾驶汽车的不同定位和映射方法的定量评估和比较。

    Feb, 2020

  • OxIOD：深度惯性里程计数据集

    本研究提出并发布了牛津惯性里程计数据集（OxIOD），这是一种首屈一指的数据收集方式，可用于惯性里程计研究，具有地面实况标签。

    Sep, 2018

  • 使用经济实惠设备记录日常活动的多模态视频和 IMU 动力学数据集

    该研究致力于提供一种通过廉价视频和自定义传感器记录的数据集来实现人体姿态跟踪和运动重建的方法，以支持远程的日常生活活动识别和运动学分析等问题。通过对 54 名受试者进行研究，验证了该数据集具有良好的临床应用价值和相关的不扰动采集协议，并可以提供人体关节角度的全面图像。

    Mar, 2023

  • 基于文本的三维人体动作检索的跨数据库研究

    我们提供了一项关于基于文本的三维人体动作检索的研究结果，重点关注跨数据集的泛化问题。通过采用统一的 SMPL 人体格式，我们能够对一个数据集进行训练，对另一个进行测试，或者对多个数据集进行训练。研究结果表明，标准的文本 - 动作基准数据集（如 HumanML3D、KIT Motion-Language 和 BABEL）存在数据集偏差。我们展示了文本增强在一定程度上可以缩小领域差距，但仍存在差距。此外，我们首次提供了使用 BABEL 进行零样本动作识别的结果，而在训练过程中没有使用分类动作标签，开辟了未来研究的新方向。

    May, 2024

  • 光度挑战物体的多模态数据集采集

    本文介绍了一个用于增强现有的 3D 感知和 6D 物体姿态数据集的新注解和获取方法，通过机器人前向运动学、外部红外跟踪器和改进的校准和注解过程，提出了一个多模态传感器装置，据此创建了高精度的 3D 数据，有效克服了现有数据集的限制，并为 3D 视觉研究提供了宝贵的资源。

    Aug, 2023

  • SportsMOT：多场景多种运动的大规模多物体追踪数据集

    本文提出了一种新的大规模多目标追踪数据集 SportsMOT，旨在促进运动跟踪器在运动和外观等方面的进步，通过比较当下几种状态最好的跟踪器和 MixSort 框架，我们发现 SportsMOT 的关键挑战在于对象关联，MixSort 框架通过将自定义的基于外观的关联与原始的基于运动的关联相结合，实现了在 SportsMOT 和 MOT17 上的最先进的性能表现。

    Apr, 2023