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
本研究提出了一种基于域不变特征的想法,可以在不需要任何配对数据的情况下,将传感器从一个环境转移到另一个环境,对于使用标志数据存在困难的长期传感器序列非常适用,并通过实验证明了其在物理知识转移方面具有很高的效率和准确性,可以从标准移动电话所得的各种附件中的原始IMU测量中重构出具有实际意义的轨迹。
Oct, 2018
本文介绍了一种用于真实场景下的、单机位、实时运动捕捉的算法,该算法首次提出了纯物理可行、实时和无标记人类3D运动捕捉的算法,通过CNN和逆运动学步骤捕捉纯运动,进一步使用物理优化器来处理运动捕捉,实现了全局3D人体运动捕捉,而不出现任何不符合生物力学数据的结果。
Aug, 2020
本文讲述了如何使用深度学习从视频中非侵入式地提取行为测量,并探讨了这一新算法的原理、潜在优势和局限性,揭示了运动捕捉与深度学习相结合的未来发展方向。
Sep, 2020
本文提出了ChallenCap——一种基于模板的方法,利用单个RGB相机在新颖的学习和优化框架下,结合多模态参考信息,捕捉复杂的人体三维运动。通过使用两个稀疏视角参考点和无配对基于标记的参考点,结合一个生成网络和运动鉴别器,提出了一个混合运动推断阶段,以数据驱动的方式提取特定的挑战性运动特征。同时,通过运动优化阶段结合监督多模态参考提高跟踪精度。在新的运动挑战数据集上的实验证明了我们的方法的有效性和稳健性。
Mar, 2021
本研究提出了一种名为 HybridCap 的轻量级、混合的 3D 运动捕捉技术,通过仅使用 4 个惯性测量单元的传感器,加上基于合作式门控循环单元块的层次运动推理模块和混合优化方案,可以实现对各种运动的鲁棒跟踪。
Mar, 2022
本文提出了一种跨领域MOT自适应方法,以先前的数据集为基础,并通过自我学习和更新来模拟新数据的获取过程,采用自监督学习的策略,实验结果表明在多项挑战性设置中,相比完全监督、无监督和自监督的最新方法,该方法在跟踪度量MOTA和IDF1上具有卓越表现。
Jun, 2023
提出了一种新的任务——无源域适应人体姿态估计(HPE),并通过构建源模型、中间模型和目标模型的新框架,从源保护和目标相关两个角度解决了跨域学习的挑战。在几个领域自适应HPE基准测试中进行的综合实验表明,该方法在性能上明显优于现有方法。
Aug, 2023
运用机器学习技术解决实时光学动作捕捉系统面临的挑战,包括通过模型训练解决标记估计的噪声问题、训练数据的获取和分布问题,实现即使使用稀疏的廉价传感器仍能提供稳健的基于标记的动作捕捉;通过采用统一的表示方法,以无标记动作捕捉的进展获取所需数据;通过改进的逆向运动学解决方案来考虑测量和推理的不确定性,进一步提高性能和稳健性。
Sep, 2023
提出了一个名为Key2Mesh的模型,使用2D人体姿势关键点作为输入并估计相应的身体网格。利用大规模的运动捕捉数据集对模型进行训练,克服了缺乏带有3D标签的图像数据集的问题。通过在RGB图像上应用对抗性领域自适应方法,提高了模型在RGB图像上的性能,无需昂贵的标签。在H3.6M和3DPW数据集上的结果表明,Key2Mesh在PA-MPJPE方面超过其他模型,也在MPJPE和PVE方面超过了3DPW数据集中的其他模型。
Apr, 2024