論文の概要: IMUPoser: Full-Body Pose Estimation using IMUs in Phones, Watches, and
Earbuds
- arxiv url: http://arxiv.org/abs/2304.12518v1
- Date: Tue, 25 Apr 2023 02:13:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-26 22:17:18.412216
- Title: IMUPoser: Full-Body Pose Estimation using IMUs in Phones, Watches, and
Earbuds
- Title(参考訳): IMUPoser:電話・時計・イヤホンにおけるIMUを用いたフルボディポーズ推定
- Authors: Vimal Mollyn, Riku Arakawa, Mayank Goel, Chris Harrison, Karan Ahuja
- Abstract要約: 我々は、多くのユーザーが所有しているデバイスで既にIMUを用いて身体のポーズを推定できる可能性を探る。
私たちのパイプラインは、利用可能なIMUデータのサブセットを受け取ります。
- 参考スコア(独自算出の注目度): 41.8359507387665
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tracking body pose on-the-go could have powerful uses in fitness, mobile
gaming, context-aware virtual assistants, and rehabilitation. However, users
are unlikely to buy and wear special suits or sensor arrays to achieve this
end. Instead, in this work, we explore the feasibility of estimating body pose
using IMUs already in devices that many users own -- namely smartphones,
smartwatches, and earbuds. This approach has several challenges, including
noisy data from low-cost commodity IMUs, and the fact that the number of
instrumentation points on a users body is both sparse and in flux. Our pipeline
receives whatever subset of IMU data is available, potentially from just a
single device, and produces a best-guess pose. To evaluate our model, we
created the IMUPoser Dataset, collected from 10 participants wearing or holding
off-the-shelf consumer devices and across a variety of activity contexts. We
provide a comprehensive evaluation of our system, benchmarking it on both our
own and existing IMU datasets.
- Abstract(参考訳): 体の動きの追跡は、フィットネス、モバイルゲーム、コンテキスト対応バーチャルアシスタント、リハビリに強力な用途を持つ可能性がある。
しかし、ユーザーはこの目的を達成するために特別なスーツやセンサーアレイを装着する可能性は低い。
代わりに、多くのユーザーが所有しているスマートフォン、スマートウォッチ、イヤホンなどのデバイスで既にIMUを使って身体のポーズを推定できる可能性を探る。
このアプローチには、低価格のコモディティimusからのノイズデータや、ユーザ本体の計測点数がばらばらで流動的であることなど、いくつかの課題がある。
私たちのパイプラインは、利用可能なIMUデータのサブセットを受け取ります。
このモデルを評価するために、我々は、さまざまなアクティビティコンテキストにわたって、市販の消費者デバイスを装着または保持する10人の参加者から収集したimmposerデータセットを作成した。
IMUデータセットと既存のデータセットの両方でベンチマークを行い、システムの包括的な評価を行う。
関連論文リスト
- IMUSIC: IMU-based Facial Expression Capture [41.014369183250274]
慣性測定ユニット (IMU) は救難の可能性を秘めているが、主にフルボディのモーションキャプチャーに採用されている。
このギャップを埋めるためにIMUSICを提案する。
IMUの構成と技術コンポーネントの両方について広範な実験を行い、IMUSICのアプローチを検証する。
論文 参考訳(メタデータ) (2024-02-03T14:27:18Z) - 3D Human Pose Perception from Egocentric Stereo Videos [74.23741075104166]
我々は,エゴセントリックな立体3次元ポーズ推定を改善するためのトランスフォーマーベースの新しいフレームワークを提案する。
本手法は, しゃがんだり座ったりといった困難なシナリオにおいても, 人間のポーズを正確に推定することができる。
私たちはUnrealEgo2、UnrealEgo-RW、およびトレーニングされたモデルをプロジェクトページでリリースします。
論文 参考訳(メタデータ) (2023-12-30T21:21:54Z) - I'M HOI: Inertia-aware Monocular Capture of 3D Human-Object Interactions [42.87514729260336]
イムホイ(I'm-HOI)は、人間と物体の両方の3Dの動きを、新しい環境で忠実に捉えようとするモノクラースキームである。
一般的な動き推論とカテゴリー認識の洗練を兼ね備えている。
私たちのデータセットとコードはコミュニティにリリースされます。
論文 参考訳(メタデータ) (2023-12-10T08:25:41Z) - SparsePoser: Real-time Full-body Motion Reconstruction from Sparse Data [1.494051815405093]
SparsePoserは、スパースデータから全身のポーズを再構築するための、新しいディープラーニングベースのソリューションである。
このシステムには、高品質な連続した人間のポーズを合成する畳み込み型オートエンコーダが組み込まれている。
本手法は,IMUセンサや6-DoFトラッキングデバイスを用いた最先端技術よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-11-03T18:48:01Z) - ALiSNet: Accurate and Lightweight Human Segmentation Network for Fashion
E-Commerce [57.876602177247534]
スマートフォンは、ユーザーが自分の身体の画像をキャプチャする便利な手段を提供する。
我々は、PointRendでSemantic FPNを単純化することで、新しいセグメンテーションモデルを作成する。
我々は、このモデルを、私たちのアプリケーションに関連するポーズの制限されたセットで、高品質な人間のデータセットに微調整する。
論文 参考訳(メタデータ) (2023-04-15T11:06:32Z) - IMU2CLIP: Multimodal Contrastive Learning for IMU Motion Sensors from
Egocentric Videos and Text [25.471322742568884]
Inertial Measurement Unit(IMU)モーションセンサをビデオやテキストに合わせるための,新しい事前学習手法であるIMU2CLIPを提案する。
提案手法により、IMU2CLIPは人間の動きを対応するテキスト記述やビデオに変換することができる。
論文 参考訳(メタデータ) (2022-10-26T00:22:41Z) - IMG2IMU: Translating Knowledge from Large-Scale Images to IMU Sensing
Applications [6.865654843241631]
IMG2IMUは、大規模画像から多様なIMUセンシングタスクに事前訓練された表現を適応させる。
我々は,センサデータを視覚的に解釈可能なスペクトログラムに変換し,視覚から得られる知識を活用する。
IMG2IMUは、センサーデータに基づいて事前訓練されたベースラインを平均9.6%p F1スコアで上回る。
論文 参考訳(メタデータ) (2022-09-02T11:00:23Z) - Transformer Inertial Poser: Attention-based Real-time Human Motion
Reconstruction from Sparse IMUs [79.72586714047199]
本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。
提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
論文 参考訳(メタデータ) (2022-03-29T16:24:52Z) - SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。
動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。
評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7~13%向上し,環境のダイナミクスが最大30%向上することがわかった。
論文 参考訳(メタデータ) (2020-12-04T23:06:56Z) - Augment Yourself: Mixed Reality Self-Augmentation Using Optical
See-through Head-mounted Displays and Physical Mirrors [49.49841698372575]
光シークレットヘッドマウントディスプレイ(OST HMD)は、仮想オブジェクトと物理シーンを融合して、没入型複合現実(MR)環境をユーザに提供するための重要な技術のひとつです。
我々は,OST HMDと物理ミラーを組み合わせて自己拡張を実現し,ユーザを中心とした没入型MR環境を提供する,新しいコンセプトとプロトタイプシステムを提案する。
我々のシステムでは、まず第一に、HMDに取り付けられたRGBDカメラを用いて鏡によって生成された仮想画像中のユーザのポーズを推定し、仮想オブジェクトを反射に固定する。
論文 参考訳(メタデータ) (2020-07-06T16:53:47Z)
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。