利用基于物理的生物力学模拟进行步态数据增强
本研究介绍了一种基于模拟的方法和主体特定数据集，用于生成合成视频帧和序列以进行数据增强，由此生成了多模态数据集，其结果表明身份信息在合成生成的示例中得以保留，此数据集和方法可对完全不变式身份识别的研究提供支持。
Oct, 2016
使用智能手机获取视频进行步态分析可以揭示许多临床机会以检测和量化步态障碍。然而，现有视频估计步态参数的方法可能产生不符合物理规律的结果。为了解决这个问题，我们使用强化学习训练一个策略来控制人类运动的物理模拟，以复制视频中观察到的运动。这样可以强制推断的运动具有物理可行性，同时提高步幅和步行速度的准确性。
Feb, 2024
提出了一种基于生物力学的新型网络，利用两个输入视图直接输出三维运动学，通过合成数据集 ODAH 进行训练，实验证明该方法在多个数据集上超过了现有先进方法，为提升基于视频的人体动作捕捉提供了有前景的方向。
Feb, 2024
使用仿真环境进行数据采集和诊断的创新性研究，特别关注于犬只的步态分析。该研究利用 Blender 和 Blenderproc 库生成反映不同解剖学、环境和行为条件的合成数据集。通过图形表示和标准化以实现最佳分析，利用生成的数据集来训练机器学习算法以识别正常和异常的步态。创建了两个具有不同相机角度粒度的不同数据集，以进一步研究相机视角对模型准确性的影响。初步结果表明，这种基于仿真的方法有望通过实现更精确的数据采集和更有效的机器学习模型来推动兽医诊断的发展。通过整合合成和现实世界的患者数据，该研究为提高兽医医学的整体效果和效率奠定了坚实的基础。
Jul, 2023
本文使用 3D 仿真数据进行预测未来人物轨迹，提出了一种通过增加仿真数据以学习鲁棒表示的新方法，可以更好地推广到未见过的真实数据，并在三个真实世界基准下实现了有希望的结果并在 Stanford Drone 和 the VIRAT/ActEV 数据集中取得了最先进的表现。
Apr, 2020
通过单眼 RGB 视频直接训练具有物理可行性的人体运动的生成模型，该方法通过可微分的方式实现了物理约束和接触关系优化，并实现了与之前基于姿态识别的方法相比更高质量、更真实、更多样化的运动合成与估计。
Sep, 2021
通过无需显式人工标注的自监督学习方法，我们提出了一种名为 GaitMorph 的新颖方法，它可以修改输入步态序列的变化，从而为步态识别系统提供更多的数据变异和模拟额外的步行变化。我们的方法基于高压缩模型来训练步态骨架序列，利用无标签数据构建离散且可解释的潜在空间，保留与身份相关的特征，并提出了基于最优传输理论的方法来学习离散码本上的潜在传输映射，以在不同变化之间变形步态序列。通过广泛的实验证明，我们的方法适用于为输入序列合成额外视图。
Jul, 2023
本研究旨在通过应用监督式学习阶段来提高机器人安装的 3D 摄像头在人步态分析中的准确性，采用 37 名健康参与者的数据，使用神经网络对相机的原始估计进行后处理，并证明了这种方法的可行性和优越性。
Jul, 2022
基于 OpenGait 开发的 DeepGaitV2、SkeletonGait 和 SkeletonGait++ 三个基准模型通过全面的基准研究，启示了深度步态模型的建模经验和典型步态特性的表征能力，为步态识别的进一步研究和应用提供了新的方向。
May, 2024
通过 reconstructing human poses in 3D 并使用 AddBiomechanics Dataset，本研究提出了一种估计人体动力学的基准方法。
May, 2024