論文の概要: BodyPressure -- Inferring Body Pose and Contact Pressure from a Depth Image

• arxiv url: http://arxiv.org/abs/2105.09936v1
• Date: Thu, 20 May 2021 17:55:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-21 13:32:21.440822
• Title: BodyPressure -- Inferring Body Pose and Contact Pressure from a Depth Image
• Title（参考訳）: BodyPressure - 深部画像からの体球と接触圧の推測
• Authors: Henry M. Clever, Patrick Grady, Greg Turk, and Charles C. Kemp
• Abstract要約: 深度画像から人体とマットレスの接触圧を推定する手法を提案する。 具体的には、下向きカメラからの奥行き画像を用いて、寝床の安静時の身体の圧力を推定する。 我々は、拡張データセットでトレーニングし、実データで評価する新しいディープネットワークを導入する。
• 参考スコア（独自算出の注目度）: 13.676743525349124
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Contact pressure between the human body and its surroundings has important implications. For example, it plays a role in comfort, safety, posture, and health. We present a method that infers contact pressure between a human body and a mattress from a depth image. Specifically, we focus on using a depth image from a downward facing camera to infer pressure on a body at rest in bed occluded by bedding, which is directly applicable to the prevention of pressure injuries in healthcare. Our approach involves augmenting a real dataset with synthetic data generated via a soft-body physics simulation of a human body, a mattress, a pressure sensing mat, and a blanket. We introduce a novel deep network that we trained on an augmented dataset and evaluated with real data. The network contains an embedded human body mesh model and uses a white-box model of depth and pressure image generation. Our network successfully infers body pose, outperforming prior work. It also infers contact pressure across a 3D mesh model of the human body, which is a novel capability, and does so in the presence of occlusion from blankets.
• Abstract（参考訳）: 人体とその周囲との接触圧は重要な意味を持つ。 例えば、快適、安全、姿勢、健康において重要な役割を果たしている。 深度画像から人体とマットレスとの接触圧力を推定する手法を提案する。 具体的には、下向きカメラからの奥行き画像を用いて、寝床の安静時の体に圧力をあてることに焦点をあて、医療における圧傷予防に直接適用する。 我々のアプローチでは、人体、マットレス、圧力感知マット、毛布のソフトボディ物理シミュレーションによって生成された合成データによって、実際のデータセットを増強する。 拡張データセット上でトレーニングし,実データを用いて評価する,新たなディープネットワークを提案する。 このネットワークは、組み込み人体メッシュモデルを含み、深さと圧力画像の生成のホワイトボックスモデルを使用する。 我々のネットワークはボディーポーズを推し進め、先行作業よりも優れています。 また、人体の3dメッシュモデルを通じて接触圧を推定するが、これは新しい能力であり、毛布からの閉塞の存在下でも同様である。

関連論文リスト

• BodyMAP -- Jointly Predicting Body Mesh and 3D Applied Pressure Map for People in Bed [5.7496805993370845]
  人体メッシュと人体全体にわたる3次元加圧マップを共同で予測するBodyMAPについて紹介する。 本手法は,体メッシュおよび3次元加圧マップ予測タスクにおいて,現在の最先端技術よりも25%優れていた。
  論文  参考訳（メタデータ） (2024-04-04T03:45:17Z)
• Neural feels with neural fields: Visuo-tactile perception for in-hand manipulation [57.60490773016364]
  マルチフィンガーハンドの視覚と触覚を組み合わせることで,手動操作時の物体の姿勢と形状を推定する。 提案手法であるNeuralFeelsは,ニューラルネットワークをオンラインで学習することでオブジェクトの形状を符号化し,ポーズグラフ問題を最適化して共同で追跡する。 私たちの結果は、タッチが少なくとも、洗練され、そして最も最良のものは、手動操作中に視覚的推定を曖昧にすることを示しています。
  論文  参考訳（メタデータ） (2023-12-20T22:36:37Z)
• MassNet: A Deep Learning Approach for Body Weight Extraction from A Single Pressure Image [0.41043522719179826]
  圧力マッピングマットレスは非侵襲的でプライバシー保護のツールであり、ベッド表面上の圧力分布画像を取得する。 深層特徴を抽出し,それぞれに特徴を呈示するデュアルブランチネットワークを含む,深層学習に基づくモデルを提案する。 その結果,2つのデータセットに対して,モデルが最先端のアルゴリズムより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-03-17T17:24:57Z)
• Detecting Human-Object Contact in Images [75.35017308643471]
  人間は常にオブジェクトに接触し、タスクを動かします。 画像から身体とシーンの接触を検出する堅牢な方法はない。 我々は、画像のための人間と物体の接触のデータセットを新たに構築する。
  論文  参考訳（メタデータ） (2023-03-06T18:56:26Z)
• Single-view 3D Body and Cloth Reconstruction under Complex Poses [37.86174829271747]
  既存の暗黙の関数ベースモデルを拡張して、任意のポーズと自己排他的な手足を持つ人間の画像を扱う。 入力画像を低精細度で3次元のボディ形状にマッピングする暗黙の関数を学習する。 次に、スムーズな表面を条件とした変位マップを学習し、衣服や身体の高周波の詳細を符号化する。
  論文  参考訳（メタデータ） (2022-05-09T07:34:06Z)
• Putting People in their Place: Monocular Regression of 3D People in Depth [93.70564469697095]
  複数の人のイメージが与えられた場合、私たちのゴールは、すべての人々のポーズと形を、相対的な深さだけでなく、直接的に遅らせることです。 本研究では,複数の人物のポーズと深さを1つの画像で推定する新しい手法を開発した。 私たちは、BEVが幼児から大人まで形状を推測できる3Dボディモデルスペースを活用しています。
  論文  参考訳（メタデータ） (2021-12-15T17:08:17Z)
• StereoPIFu: Depth Aware Clothed Human Digitization via Stereo Vision [54.920605385622274]
  本研究では,立体視の幾何学的制約をPIFuの暗黙的関数表現と統合し,人間の3次元形状を復元するStereoPIFuを提案する。 従来の作品と比較すると, ステレオピフは衣服によるヒト再建のロバスト性, 完全性, 正確性が著しく向上した。
  論文  参考訳（メタデータ） (2021-04-12T08:41:54Z)
• Holistic 3D Human and Scene Mesh Estimation from Single View Images [5.100152971410397]
  本稿では,1枚のRGB画像から3Dシーンを知覚するエンド・ツー・エンドのトレーニング可能なモデルを提案する。 本研究では,既存の人体メッシュ法や屋内シーン再構築法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-12-02T23:22:03Z)
• PLACE: Proximity Learning of Articulation and Contact in 3D Environments [70.50782687884839]
  本研究では,人体と周囲の3Dシーンとの近接性をモデル化した新しいインタラクション生成手法PLACEを提案する。 我々の知覚学的研究は、PLACEが実際の人間とシーンの相互作用のリアリズムにアプローチし、最先端の手法を著しく改善することを示している。
  論文  参考訳（メタデータ） (2020-08-12T21:00:10Z)
• Combining Implicit Function Learning and Parametric Models for 3D Human Reconstruction [123.62341095156611]
  深層学習近似として表される暗黙の関数は、3次元曲面の再構成に強力である。 このような機能は、コンピュータグラフィックスとコンピュータビジョンの両方に柔軟なモデルを構築するのに不可欠である。 詳細に富んだ暗黙関数とパラメトリック表現を組み合わせた方法論を提案する。
  論文  参考訳（メタデータ） (2020-07-22T13:46:14Z)
• Bodies at Rest: 3D Human Pose and Shape Estimation from a Pressure Image using Synthetic Data [22.264931349167412]
  本研究では,圧力感知マットを用いたベッド内での安静時の人体をシミュレーションする物理法について述べる。 人間のポーズと形状を3Dで表現した206Kの圧力画像を用いた合成データセットであるSciencePoseを提示する。 また、圧力画像と性別が与えられた人間のポーズと形状を推定する深層学習モデルであるScienceNetも提示する。
  論文  参考訳（メタデータ） (2020-04-02T17:44:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。