使用自适应图卷积网络建模三维婴儿动力学
利用动态高斯抖嗒实现稀疏无标记运动捕捉数据的易得到的精确 3D 追踪,为康复提供了便利。研究应用于婴儿和新生儿的可靠运动分析方法,通过改进场景的初始化,为各种临床人群提供了先进的运动分析工具,并重点关注婴儿的早期检测。
Oct, 2023
本研究采用 ConvLSTM-I3D 模型结合迁移学习和视频增广技术,针对 Smart Baby Care 动作识别任务,提出了一种新型轻量级框架。与其他基准模型相比,在更小的数据集和较少的计算资源下,实验框架取得了更好的性能。
Oct, 2022
尝试使用卷积神经网络实现平面杆结构的运动学分析。通过 3dsMax 动画软件和 OpenCV 模块,构建了几何稳定系统和几何不稳定系统的图像数据集。基于 TensorFlow 和 Keras 深度学习平台框架,构建和训练了卷积神经网络模型。模型在训练集、验证集和测试集上均达到了 100% 的准确率。附加测试集上的准确率为 93.7%,显示出卷积神经网络能够学习和掌握结构力学运动学分析相关知识。通过多样化数据集,未来可以提高模型的泛化能力,有潜力在复杂结构领域超越人类专家。卷积神经网络在结构力学运动学分析领域具有一定的实际价值。利用可视化技术,揭示了卷积神经网络学习和识别结构特征的过程。使用预训练的 VGG16 模型进行特征提取和微调后,发现其泛化能力不如自建模型。
May, 2024
通过比较七种不同的姿势估计方法,对婴儿在仰卧位的视频进行分析,发现除了 DeepLabCut 和 MediaPipe 外,其他方法在无需微调的情况下都表现出竞争力,其中 ViTPose 表现最佳。同时,引入颈中臀比例的错误和其他误测、多余检测以及不同方法的内部置信度评分可靠性的研究,这些都对下游任务有重要意义。
Jun, 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
本文研究了使用压力传感器将数据编码为算法以用于感知婴儿的细微运动模式。结果证明了压力传感器方案的潜力和准确性,可以在儿科领域大幅提高运动数据的质量和效率。
Jul, 2022
提出了一种基于空间 - 时间图卷积网络 (ST-GCN) 的骨架识别模型,该模型能够在不借助人工干预的情况下自动学习骨架在空间和时间上的表现,并且在动作识别以及泛化能力方面远优于之前的方法。
Jan, 2018