Oct, 2023

基于视觉的人体姿态估计的旋转矩阵增强

PDF
TL;DR利用姿势估计数据结合新颖的数据增强方法，即旋转矩阵，提出了一种模型，旨在提高基于姿势估计数据的活动识别分类准确性。实验结果表明，使用 SVM 及 SGD 优化，结合旋转矩阵的数据增强技术，可以达到 96% 的准确率在五种不同体育运动的分类中。相比之下，不实施数据增强技术，准确率仅为 64%。
fitness applicationspose estimationdata augmentationactivity recognitionclassification algorithms
发现论文，激发创造
  • 基于骨架姿势序列的传感器数据增强技术提升人体活动识别

    为了改进基于可穿戴传感器的人体活动识别，本文提出了一种从 3D 骨架姿势序列中直接生成传感器数据的姿势到传感器网络模型，并同时训练姿势到传感器网络和人体活动分类器，通过优化数据重构和活动识别来改进性能。实验结果表明该框架优于基线方法，并在 MM-Fit 数据集上取得了显著的性能提升。

    Apr, 2024

  • 一种用于传感器基于的人体活动识别的最佳传感器位置实时人体姿势估计方法

    通过使用从目标活动的视频记录中得出的实时 2D 姿势估计派生的得出骨架数据，本文引入了一种解决这个问题的新方法，为识别最佳传感器位置提供了一种独特的策略。我们通过进行可行性研究验证了我们的方法，将惯性传感器应用于监测十个被试者的 13 种不同活动。我们的发现表明，基于视觉的传感器放置方法与传统的深度学习方法提供了可比较的结果，从而证明了它的有效性。该研究通过提供一种轻量级的、设备上的解决方案来确定最佳传感器位置，从而改进了数据匿名化，支持多模态分类方法，显著推进了人体活动识别领域。

    Jul, 2023

  • 肌肉视觉：基于实时关键点的体育动作姿势分类

    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

  • 基于深度学习的多视角图像全身运动学估计

    本文提出了一种基于多视图图像的直接关节角度估计方法，通过结合体态姿势表示法，将旋转表示法映射到一个连续空间中，为现场运动分析提供了一种新的方法。

    Jul, 2023

  • MoCap 引导的数据增强在野外三维姿态估计中的应用

    该论文提出了一种采用基于图像合成方法生成真实图片数据集以训练 CNN 模型，用于解决 3D 人体姿态估计缺少真实数据的问题，并通过在受控环境和实境的表现表明其可行性。

    Jul, 2016

  • 特定应用的半合成数据集增强用于凝视估计

    通过生成面部的纹理三维网格，并从特定位置和方向的虚拟相机渲染训练图像作为现有数据集的补充方式，可以在目标特定任务中取得更好的推广效果，平均减少了 47% 的注视角度误差。

    Oct, 2023

  • 多尺度监督网络用于人体姿态估计

    该研究提出了基于深度卷积去卷积模型的鲁棒人体姿态估计方法，通过多尺度的上下文监督和全局回归的方式增强模型的姿态鲁棒性，并在 MPII 和 FLIC 数据集上展示了具有竞争力的性能。

    Aug, 2018

  • 面向稳健和无约束全旋转角度头部姿态估计

    使用旋转矩阵法进行端到端的头部姿态预测，通过引入连续 6D 旋转矩阵表示法和地理损失方法来有效学习头部旋转外观并克服当前最先进方法的限制，从而大幅提高头部姿态预测的范围和稳定性。

    Sep, 2023

  • 基于三维姿势反馈的身体锻炼

    通过 Graph Convolutional Network 框架，从用户姿势序列中学习关节运动的关系，能够对个人的自我康复锻炼和体育锻炼中出现的错误进行准确的识别和纠正。

    Aug, 2022

  • 从多视角图像学习单目三维人体姿态估计

    本文提出了一种通过多视角的训练，使用一致性约束联合监督损失及惩罚项实现替代大量标注的 3D 人体姿态估计方法，并提出了一种联合估计相机姿态及人体姿态的方法，在 3D 人体姿态估计方面取得了良好的表现。

    Mar, 2018