AddBiomechanics 数据集:以规模捕捉人体运动的物理学
SportsPose 是一个大规模的姿态数据集,包括高度动态的运动。使用超过 176,000 个来自 24 名不同受试者的 5 种运动活动的 3D 姿势,SportsPose 提供了一组反映了运动复杂和动态性的多样化和全面的 3D 姿势。数据集伴随代码,可以从我们的网站上下载,希望 SportsPose 可用于开发和评估更有效的运动表现分析和损伤预防模型。
Apr, 2023
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
通过 OpenCapBench 统一的基准评估,采用生理约束条件,使用肌肉骨骼建模软件(OpenSim)提供的关节角度计算一致的运动学指标,证明了当前姿势估计模型所使用的关键点在生物力学分析中过于稀疏,通过合成数据进行预训练模型的微调,能够预测出更密集的关键点,从而准确进行运动学分析,这样的微调可以减少二倍的关节角度误差。同时,OpenCapBench 还允许用户使用我们的临床相关数据集评估他们自己开发的模型,旨在推动计算机视觉和生物力学领域的同时进步。
Jun, 2024
该研究提出了一个创新的计算机视觉框架,旨在通过与现有软件的无缝集成来分析工业环境中的人体运动,以增强生物力学分析。该框架利用先进的图像处理和建模技术,通过卷积神经网络(CNNs)、直接线性变换(DLT)和长短期记忆(LSTM)网络准确地检测关键身体节点,重建 3D 标记点,并生成详细的 3D 人体网格。广泛的评估验证了该框架的有效性,在各种动作下与传统基于标记点的模型展示出了可比较的结果,并在关节角度估计和体重、身高估计方面具有精确性。生物力学 - 57 关键骨骼模板的集成进一步增强了该框架的鲁棒性和可靠性。该框架显示出在工业环境中进行细致的生物力学分析的显著潜力,消除了笨重的标记物的需求,并将其用途扩展到包括研究特定外骨骼装置对促进受伤工人迅速返回工作任务的影响在内的各个研究领域。
Apr, 2024
描述了 DeepMind Kinetics 人类动作数据集的 2020 版本,扩展并更新了 Kinetics-700 数据集,其中包含来自不同 YouTube 视频的至少 700 个视频剪辑,以及介绍了更新的数据集所做的变化和使用 I3D 网络的基线结果的详细统计。
Oct, 2020
通过单眼 RGB 视频直接训练具有物理可行性的人体运动的生成模型,该方法通过可微分的方式实现了物理约束和接触关系优化,并实现了与之前基于姿态识别的方法相比更高质量、更真实、更多样化的运动合成与估计。
Sep, 2021
本文介绍了一个新的数据集 MI-Motion,用来帮助研究多人运动预测,并提供基准测试来评估预测模型的性能,同时还介绍了一种新的基线方法 —— 图卷积神经网络和时间卷积神经网络。
Jun, 2023
本文介绍了一组新的人体运动和视频数据集 MoVi,其中包括 60 名女性和 30 名男性表演 20 种预定义的日常动作和运动,以及一种自选运动。该数据集包含 9 小时的运动捕捉数据、17 小时的 4 个不同视角的视频数据和 6.6 小时的 IMU 数据,同时还描述了数据集的收集和后处理过程,并探讨了该数据集可促进的研究方向。
Mar, 2020
介绍了一种新的捕捉方法和跟踪系统,自动获取 21 个关节点的手部姿势数据,并通过新数据集和卷积神经网络对自我视角手势估计和交叉基准性能进行显著改进。
Apr, 2017