静态身体:利用合成数据从压力图像估计 3D 人体姿态和形状
该研究提出了一种基于深度图像推断人体与床垫之间接触压力的方法,从而预防医疗卫生中的压力伤害,该方法通过添加人体软体物理模拟合成数据进行训练,并应用了新颖的深度网络模型成功推断人体姿态,并能够在被毯子遮挡的情况下推断人体 3D 网格模型的接触压力。
May, 2021
准确预测躺在床上休息的人的 3D 人体姿势和身体施加的压力(可视化为身体网格(3D 姿势和形状)),尤其是在预防压疮方面对医疗应用具有重要意义。我们介绍了 BodyMAP,它同时预测整个人体的人体网格和 3D 施加的压力地图。我们的网络利用多种视觉模态,结合了躺在床上的人的深度图像和相应的来自感压床垫的 2D 压力图像。在真实世界的人体数据评估中,我们的方法在床上的人体网格和 3D 施加的压力地图预测任务上比现有的技术提高了 25%。
Apr, 2024
提出了一种基于 UCITD 方法的姿态识别技术,该技术通过长波长红外线技术对人体进行高分辨率的姿态信息捕捉,形成了一个完全标注的姿态数据集同时也证明其在医疗和医疗保健应用中具有巨大的实用价值。
Jul, 2019
引入了 PresSim 框架,该框架通过视觉分析、仿真变形分析和深度学习等技术,从压力传感器收集压力数据的替代方法,以实现人类活动识别的目标。
Feb, 2023
基于压电电阻材料 Velostat 的智能压力电子垫 (SPem) 系统,采用深度神经网络 (DNNs) 进行信号处理和识别,可以用于各种人体活动的监测,具有更灵活的应用和商业化前景。
May, 2023
提供了一种新方法 PressureTransferNet,用于使用地面压力信息进行人体活动识别(HAR)。该方法利用不同个体的现有压力数据生成特定活动的特定身体动态地面压力图。通过以源压力图和目标人体属性向量作为输入的编码器 - 解码器模型,生成反映目标属性的新压力图。实验证明了在不同场景下将人体属性精确转移到地面压力图上的有效性。
Aug, 2023
使用深度模型,基于 RGB 相机的人手外观变化来推断手压力,这种方法不需要使用压力传感器,并且可以推断出新正确性的人手压力数据。
Mar, 2022
本研究描述了一种新方法 ——IPMAN,通过将 3D SMPL 身体与场景交互生成压力热图、Center of Pressure 和 Center of Mass 来估计 3D 人体,以此加强地面接触和稳定性。它的优势在于易于实现、计算速度快、可导和适用于现有的优化和学习框架。该方法在评估中表现更具说服力,并且可以针对多姿势的情况提高准确性。
Mar, 2023