論文の概要: Markerless Motion Capture and Biomechanical Analysis Pipeline

• arxiv url: http://arxiv.org/abs/2303.10654v1
• Date: Sun, 19 Mar 2023 13:31:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-21 18:03:30.721114
• Title: Markerless Motion Capture and Biomechanical Analysis Pipeline
• Title（参考訳）: マーカーレスモーションキャプチャと生体力学的解析パイプライン
• Authors: R. James Cotton, Allison DeLillo, Anthony Cimorelli, Kunal Shah, J.D. Peiffer, Shawana Anarwala, Kayan Abdou, Tasos Karakostas
• Abstract要約: マーカーレスモーションキャプチャーは、正確な動き分析へのアクセスを拡大する可能性がある。 当パイプラインでは,リハビリテーション病院における運動の正確なバイオメカニカル推定値の取得が容易である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Markerless motion capture using computer vision and human pose estimation (HPE) has the potential to expand access to precise movement analysis. This could greatly benefit rehabilitation by enabling more accurate tracking of outcomes and providing more sensitive tools for research. There are numerous steps between obtaining videos to extracting accurate biomechanical results and limited research to guide many critical design decisions in these pipelines. In this work, we analyze several of these steps including the algorithm used to detect keypoints and the keypoint set, the approach to reconstructing trajectories for biomechanical inverse kinematics and optimizing the IK process. Several features we find important are: 1) using a recent algorithm trained on many datasets that produces a dense set of biomechanically-motivated keypoints, 2) using an implicit representation to reconstruct smooth, anatomically constrained marker trajectories for IK, 3) iteratively optimizing the biomechanical model to match the dense markers, 4) appropriate regularization of the IK process. Our pipeline makes it easy to obtain accurate biomechanical estimates of movement in a rehabilitation hospital.
• Abstract（参考訳）: コンピュータビジョンとヒューマンポーズ推定(HPE)を用いたマーカーレスモーションキャプチャーは、正確な動き分析へのアクセスを拡大する可能性がある。 これは、結果のより正確な追跡を可能にし、研究のためのより敏感なツールを提供することで、リハビリに大いに役立つ。 ビデオの取得と正確な生体力学的結果の抽出と、パイプラインにおける多くの重要な設計決定を導くための限定的な研究の間には、多くの段階がある。 本研究では,キーポイントとキーポイントセットを検出するアルゴリズム,生体力学的逆運動学の軌道再構成手法,ikプロセスの最適化など,いくつかのステップを分析した。 重要な機能をいくつか挙げます 1) バイオメカニカルに動機付けられたキーポイントの集合を生成する多くのデータセットで訓練された最近のアルゴリズムを用いて。 2) ikの滑らかで解剖学的に制約されたマーカー軌跡を再構成するために暗黙の表現を用いる。 3) 高密度マーカーに適合する生体力学的モデルを反復的に最適化する。 4) IKプロセスの適正な正則化。 当パイプラインは,リハビリテーション病院における運動の正確なバイオメカニカル推定を容易にする。

関連論文リスト

• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• Differentiable Biomechanics Unlocks Opportunities for Markerless Motion Capture [2.44755919161855]
  微分物理学シミュレータはGPU上で加速することができる。 これらのシミュレータは,逆運動学とマーカーレスモーションキャプチャーデータとの適合性を示す。
  論文  参考訳（メタデータ） (2024-02-27T04:18:15Z)
• EasyHeC: Accurate and Automatic Hand-eye Calibration via Differentiable Rendering and Space Exploration [49.90228618894857]
  我々は、マーカーレスでホワイトボックスであり、より優れた精度とロバスト性を提供するEasyHeCと呼ばれる手眼校正の新しいアプローチを導入する。 我々は,2つの重要な技術 – レンダリングベースのカメラポーズの最適化と整合性に基づく共同空間探索 – を利用することを提案する。 本評価は,合成および実世界のデータセットにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-02T03:49:54Z)
• Improved Trajectory Reconstruction for Markerless Pose Estimation [0.0]
  マーカーレスポーズ推定は、複数の同期および校正されたビューから人間の動きを再構築することを可能にする。 我々は、マーカーレスポーズ推定精度に基づいて、異なるキーポイント検出器と再構成アルゴリズムを試験した。 その結果、トップダウンのキーポイント検出器を用いて暗黙の関数で軌跡を再構築することで、正確で滑らかで解剖学的に妥当な軌跡が得られた。
  論文  参考訳（メタデータ） (2023-03-04T13:16:02Z)
• Robotic Navigation Autonomy for Subretinal Injection via Intelligent Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
  網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。 提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。 ブタ前眼の精度と再現性について実験を行った。
  論文  参考訳（メタデータ） (2023-01-17T21:41:21Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Learn Fine-grained Adaptive Loss for Multiple Anatomical Landmark Detection in Medical Images [15.7026400415269]
  本稿ではランドマーク検出のための新しい学習学習フレームワークを提案する。 提案手法は汎用的であり,解剖学的ランドマーク検出の効率向上の可能性を示す。
  論文  参考訳（メタデータ） (2021-05-19T13:39:18Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Pose Estimation for Robot Manipulators via Keypoint Optimization and Sim-to-Real Transfer [10.369766652751169]
  キーポイント検出は多くのロボットアプリケーションにとって重要なビルディングブロックである。 ディープラーニング手法は、マーカーのない方法でユーザ定義キーポイントを検出できる。 これらの課題を克服するキーポイントを定義するための,新たな自律的手法を提案する。
  論文  参考訳（メタデータ） (2020-10-15T22:38:37Z)
• Biomechanics-informed Neural Networks for Myocardial Motion Tracking in MRI [15.686391154738006]
  本稿では,バイオメカニクスによる正規化を暗黙的に学習する手法を提案する。 心臓MRIデータの2次元スタック上での心筋運動追跡の文脈において,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-06-08T16:29:13Z)

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。