通过不受约束的人类结构学习来增强和恢复人类运动
Tianjia He1, Tianyuan Yang1, Shin'ichi Konomi2
1Graduate School of Information Science and Electrical Engineering, Kyushu University, Fukuoka 819-0395, Japan.
Sensors (Basel, Switzerland)
|May 25, 2024
概括
这项研究引入了一种使用基于时空注意力的图形卷积网络 (ST-ATGCNs) 的新方法,以改进低成本的人类运动捕捉. 该技术提高了运动数据的准确性和可访问性,而不需要先前的动力学知识.
科学领域:
- 计算机视觉 计算机视觉
- 生物机械工程 生物机械工程
- 机器学习 机器学习
背景情况:
- 人类运动捕捉 (HMC) 越来越多地用于游戏和体育科学等民用应用.
- 价格实惠的HMC传感器通常会产生不准确的运动数据,从而限制了它们的实际使用.
- 现有的方法可能需要大量的数据或对人类运动学的先验知识.
研究的目的:
- 开发一种新的,无监督的方法来重建和增强人类运动.
- 为了提高动作捕捉数据采集的准确性和降低成本.
- 为了利用基于时空注意力的图形卷积网络 (ST-ATGCNs) 来精制运动数据.
主要方法:
- 使用ST-ATGCN来学习人类骨结构和运动动态.
- 实施一种无监督的方法来恢复运动数据.
- 在各种运动数据集和现实世界的传感器数据 (例如,SONY mocopi) 上验证方法.
主要成果:
- 显著提高了低精度的移动捕捉数据质量.
- 展示了ST-ATGCNs在没有先前的动力限制的情况下学习运动逻辑的能力.
- 实现了有效的运动数据恢复和更高的准确性.
结论:
- ST-ATGCN方法为高质量的动作捕捉提供了具有成本效益的解决方案.
- 这种方法提高了人类运动数据的可访问性和精度.
- 这些发现表明,在推进HMC技术以更广泛的应用中,有希望的方向.


