Oct, 2023

mnmDTW：用于基于摄像头的运动误差定位的动态时间规整扩展

PDF
TL;DR本研究使用计算机视觉（CV）方法从健身视频中提取姿势信息，并使用改进版动态时间归整计算与标准动作执行之间的偏差，通过对每个身体部位的距离计算准确度的更精确度量，证明了通过此指标可以清晰、可识别和定位健身错误。
computer visionpose informationdynamic time warpingexercise accuracyexercise mistakes
发现论文，激发创造
  • shapeDTW: 形状动态时间规整

    为解决全局 DTW 算法匹配不合理的问题，本文提出一种名为 shapeDTW 的改进算法，它根据点对点的局部结构信息来提高匹配的精度。当 shapeDTW 作为距离度量用于最近邻分类器时，它在 84 个 UCR 时间序列数据集的 64 个上显著优于 DTW，并且通过使用适当设计的局部结构描述符，在 18 个数据集上将准确率提高了 10% 以上。

    Jun, 2016

  • 用于端到端对齐路径学习的深度声明动态时间规整

    本文提出了一种基于双层优化和深度声明网络的 DTW 层，可以将 DTW 表示为连续的优化问题，并计算出最优的对齐路径，可用于自动化的时间序列数据对齐。

    Mar, 2023

  • 使用动态时间规整进行指令条件导航的综合评估

    本研究提出了一种新的度量方式 “normalized Dynamic Time Warping（nDTW）”，通过对 agent 的运动轨迹与参照路线的对比，较好地解决了以往评估方式的缺陷，该方法在各方面表现优异，且应用于强化学习导航智能体上可显著提高其性能。

    Jul, 2019

  • 基于专家增强的动态时间规整的异常检测

    我们提出了一种名为 E-DTWA 的新颖异常检测方法，它基于动态时间规整（DTW）算法，并加入了人在环路概念的额外改进，其主要优点包括高效的检测、基于专家检测反馈的灵活再训练以及低计算和空间复杂度。

    Oct, 2023

  • 利用动态时间规整学习区分原型

    本文提出了 DP-DTW 方法，用于学习类别特定的判别式原型，以便在时间识别任务中实现更好的性能，并且结合端到端深度学习，可在标准基准测试中实现最先进的弱监督行动分割问题，并通过对所学行动原型的详细推理来启用输入视频的详细摘要，即可以通过将输入序列与行动原型对齐来获得基于行动的视频摘要。

    Mar, 2021

  • PoseSync: 鲁棒的基于姿态的视频同步

    提出基于姿势的视频同步管道，通过裁剪图像中的人物区域并进行姿势检测，应用动态时间规整 (DTW) 对姿势关键点之间的角度 / 距离测量进行尺度和位移不变的匹配，能够在多个领域中应用，例如游戏性能评估、编舞或指导运动员。

    Aug, 2023

  • 时间序列和序列的不确定度 - DTW

    该研究介绍了如何对时间序列间的不确定性建模，通过最大似然估计等方法可以实现时间序列的预测和行为识别。

    Oct, 2022

  • 动态时间规整在时间序列回归中的影响案例研究

    本文研究了使用 Dynamic Time Warping 方法对光谱时间序列数据进行相似性比对，并发现结合 k-Nearest Neighbour 算法可以提高准确性，但当数据跨越多个波长时，如果使用了平均值和方差等数据聚合统计方法，DTW 的效果将不明显，因此在机器学习中，有时候大数据胜过复杂模型。

    Oct, 2020

  • 深度关注时间扭曲

    本文提出了一种神经网络模型来进行任务自适应时间对齐，使用注意力模型开发了一个明确的具有更大畸变不变性的时间对齐机制，并通过度量学习进行训练，与传统的基于 DTW 的可学习模型不同，它能够学习目标任务的最佳数据相关对齐，实验证明了我们模型在在线签名验证方面的超过 DTW 并且创造了最先进的性能。

    Sep, 2023

  • 使用无监督学习局部和全局特征实现视频对齐

    本文介绍一种无监督的视频对准方法，通过人体检测、姿态估计、VGG 网络等机器视觉工具提取并结合构建多维时间序列，利用 Diagonalized Dynamic Time Warping (DDTW) 算法对相同动作的视频进行对齐，采用新型评价指标 Enclosed Area Error (EAE) 显示本文方法在视频对齐任务和相位分类任务上均优于之前最先进的方法 (TCC 等)。

    Apr, 2023