Sep, 2023

基于压力传感器的身体重量锻炼识别的新颖的局部 - 全局特征融合框架

PDF
TL;DR我们提出了一种新颖的本地 - 全局特征融合框架，用于基于地面动态压力图的体重训练识别。通过使用图像处理技术和 YOLO 目标检测来结合本地和全局特征，我们的方法在生成高级本地特征的同时考虑了不同身体部位的压力分布和物理约束，同时通过知识蒸馏来提高训练性能。实验证明，我们的方法在体重训练识别方面取得了显著的 11% 提升，并保持了特定标签特征的准确性。
local-global feature fusionbody-weight exercise recognitiondynamic pressure mapsimage processing techniquesknowledge distillation
发现论文，激发创造
  • BodyMAP -- 床上人体网格和 3D 应力分布的联合预测

    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

  • 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

    利用由物理学建模的合成数据集，提出了一个使用压力传感垫推断人体姿势和形状的深度学习模型 Pressurepose，并展示了这个模型的良好性能。

    Apr, 2020

  • 通过有效的全局 - 局部特征表示和本地时间聚合进行步态识别

    本文提出了一种通过全局可视信息和局部区域细节来实现步态识别的辨别性特征提取和融合框架，使用多个全局和局部卷积层来组合全局和局部特征，并提出了本地时间聚合操作来进一步保留空间信息以获得更高的空间分辨率。 实验结果表明，该方法在两个流行数据集上优于现有技术。

    Nov, 2020

  • 姿态估计的结构特征学习

    该论文提出了一种结构化特征学习框架，旨在通过人体姿态估计中的特征级别推理身体关节之间的相关性，通过引入几何变换内核捕捉关节特征地图之间的关系，提高特征学习。

    Mar, 2016

  • PressureTransferNet：基于人类属性引导的动态地面压力剖面转移的压力映射三维模拟

    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

  • PresSim: 基于物理学的 3D 模拟的单目视频动态地面压力分布生成端到端框架

    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

  • 自监督压力图人体关键点检测方法：在数据集之间优化泛化和计算效率

    该研究提出了一种新颖的自监督压力图关键点检测（SPMKD）方法，通过 Encoder-Fuser-Decoder 模型和 Classification-to-Regression Weight Transfer 方法，在不需要手动注释的情况下提高人体关键点泛化性能，同时显著减少计算和参数量。

    Feb, 2024

  • 多传感器全局位姿估计的通用基于优化的框架

    本文提出了一种传感器融合框架，通过姿态图优化来将现有的本地估计融合到全球传感器中，实现了本地准确和全球无漂移的姿态估计。

    Jan, 2019

  • 可配置床面压力图三维人体姿态估计

    研究了如何使用压力敏感垫和卷积神经网络来预测人体在床上的三维姿态，从而使机器人在床上的应用更加有效。

    Apr, 2018

  • 基于特征的动态加权因子图几何定位

    基于特征的地理定位依赖于将从航空影像中提取的特征与车辆传感器检测到的特征进行关联。本文中，我们提出了一种基于动态加权因子图模型的车辆轨迹估计方法，通过使用 LiDAR 传感器执行的检测中的信息量化来调整权重。同时，在模型中包含了基于 GNSS 的先验（错误）估计。当表示变得模糊或稀疏时，权重会动态调整以依赖于修正后的先验轨迹，从而减少异常值和偏差。我们在一个具有挑战性的模糊环境中与最先进的地理定位方法进行比较，并在其中引起检测损失。我们证明了在其他方法失败的情况下，我们的方法可以减轻所述缺点。

    Nov, 2023