通过使用 MediaPipe 进行姿势识别、峰值检测来计算重复次数以及使用可学习的物理模拟来追踪运动演变，本文提出了一个算法流程，可以实时检测和纠正运动技术问题，并通过统计学习基于典型学习运动来诊断测试视频。这个低成本设备如智能手机支持的实时推荐系统将帮助锻炼者纠正潜在的错误，使得自我练习成为可行的同时降低锻炼伤害的风险。

Oct, 2023

通过自监督的学习和对锻炼形式的理解，我们提出了一种在容易出现镜头角度、遮挡和光照变化的体育馆场景下，能够有效对运动员姿势进行检测的方法。我们还针对此目的创建了一个包含三种训练动作的新锻炼数据集，并且其自监督特征的表现超过了现有的 2D 和 3D 姿态估计器。

Feb, 2022

本研究提出了一种新的机器学习流程和网络接口，可对实时视频进行人姿态识别，检测特定健身运动并进行分类，主要贡献包括一种基于关键点和时间序列的轻量级分类方法和一个基于 Web 的软件应用程序，实时获取和可视化结果。

Mar, 2022

本文提出 a new captioning dataset named FixMyPose，为了避免 ML 偏见，维护了不同背景的不同人群的平衡，对于该数据集我们提出姿势校正字幕任务及其反向目标姿势检索任务，并引入针对该任务的新指标。我们的基线模型能够在现实图像上有良好表现，但在人类评估中仍有提高空间。

Apr, 2021

通过采用无监督学习技术，基于来自单个图像的 2D 骨架关节，我们提出了一种恢复 3D 人体姿势的方法，该方法不需要任何多视图图像数据、3D 骨架、2D-3D 点之间的对应关系或在训练过程中使用先前学习的 3D 先验知识。我们的方法采用一个 lifting 网络将 2D 关键点作为输入，并生成相应的 3D 骨架估计，其中我们通过在随机相机视点重投影修复后的 3D 骨架来产生新的 “合成” 2D 姿态。我们还训练了一个 2D 域适配器网络来扩展 2D 数据，并通过自适应正则化机制使域适应效果更好。最终，在 Human3.6M 数据集上，我们的方法对无监督三维 lifting 的改进达到了 30％，并且优于许多明确使用 3D 数据的弱监督方法。

Apr, 2019

通过自然语言反馈修正三维人体姿势以及生成纠正的三维人体姿势的文本编辑方法。

Sep, 2023

本研究提出了一种新的骨骼 GNN 学习解决方案，包括基于跳舞的分层通道压缩融合层和鲁棒且有效的图构建过程，该方法在人体姿态估计和基于骨骼的动作识别方面取得了超越同行的性能.

Aug, 2021

本文提出了一种基于图神经网络 (GNN) 的在线学习姿态动态的新方法，通过纳入时空和视觉信息，匹配历史姿态 tracklets 并直接预测下一帧的目标姿态，通过综合检测到的姿态和预测，实现多人姿态估计和跟踪。实验结果表明，该方法在人体姿态估计和跟踪任务上具有优异的性能。

Jun, 2021

本研究提出自监督学习的方法，使用姿势引导网络 (PGN) 进行单眼 3D 人脸重建，并通过结合参数模型的学习和数据驱动的学习技术，从完全标记的 3D 地标和无限制的野外面部图像中学习。通过使用包含同一人物多帧嵌入的面部几何信息的自监督学习方案，缓解了从单个图像回归 3D 面部几何的不适定性。在 AFLW2000-3D、Florence 和 FaceWarehouse 数据集上进行了严格评估，并表明我们的方法在所有指标上均优于最先进技术。

Oct, 2020

本文提出了一种新的神经网络结构 Semantic Graph Convolutional Networks（SemGCN），它能够学习在回归任务中捕捉图形结构数据中的语义信息，特别是局部和全局节点之间的关系，并将其应用于 3D 人体姿势回归，结果表明 SemGCN 仅使用 90％的参数就优于现有技术水平。

Apr, 2019