論文の概要: Deep state-space modeling for explainable representation, analysis, and
generation of professional human poses
- arxiv url: http://arxiv.org/abs/2304.14502v2
- Date: Wed, 24 May 2023 09:39:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 01:12:24.770001
- Title: Deep state-space modeling for explainable representation, analysis, and
generation of professional human poses
- Title（参考訳）: 説明可能な人間のポーズの表現、分析、生成のための深部状態空間モデリング
- Authors: Brenda Elizabeth Olivas-Padilla, Alina Glushkova, and Sotiris
Manitsaris
- Abstract要約: 本稿では,人間の動作を説明可能な表現にするための3つの新しい手法を紹介する。
トレーニングされたモデルは、専門家のフルボディのデキスタリティ分析に使用される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The analysis of human movements has been extensively studied due to its wide
variety of practical applications, such as human-robot interaction, human
learning applications, or clinical diagnosis. Nevertheless, the
state-of-the-art still faces scientific challenges when modeling human
movements. To begin, new models must account for the stochasticity of human
movement and the physical structure of the human body in order to accurately
predict the evolution of full-body motion descriptors over time. Second, while
utilizing deep learning algorithms, their explainability in terms of body
posture predictions needs to be improved as they lack comprehensible
representations of human movement. This paper addresses these challenges by
introducing three novel methods for creating explainable representations of
human movement. In this study, human body movement is formulated as a
state-space model adhering to the structure of the Gesture Operational Model
(GOM), whose parameters are estimated through the application of deep learning
and statistical algorithms. The trained models are used for the full-body
dexterity analysis of expert professionals, in which dynamic associations
between body joints are identified, and for generating artificially
professional movements.
- Abstract（参考訳）: 人間の運動の分析は、人間とロボットの相互作用、人間の学習応用、臨床診断など、多岐にわたる実用的応用のために広く研究されている。
それでも最先端技術は、人間の動きをモデル化する科学的な課題に直面している。
まず、新しいモデルは人間の運動の確率性と人体の物理的構造を考慮し、時間の経過とともに全身運動記述体の進化を正確に予測する必要がある。
第二に、深層学習アルゴリズムを活用する一方で、人間の動きを理解できないため、身体姿勢予測における説明可能性を改善する必要がある。
本稿では,人間の運動の説明可能な表現を作成するための3つの新しい手法を導入することで,これらの課題を解決する。
本研究では,人間の身体運動をジェスチャー操作モデル(gom)の構造に準拠した状態空間モデルとして定式化し,そのパラメータをディープラーニングと統計アルゴリズムを用いて推定する。
訓練されたモデルは、身体関節間のダイナミックな関連を同定し、人工的にプロの運動を発生させる専門家の全身デクスタリティ分析に使用される。
関連論文リスト
- Persistent-Transient Duality: A Multi-mechanism Approach for Modeling
Human-Object Interaction [58.67761673662716]
人間は高度に適応可能で、異なるタスク、状況、状況を扱うために異なるモードを素早く切り替える。
人間と物体の相互作用(HOI)において、これらのモードは、(1)活動全体に対する大規模な一貫した計画、(2)タイムラインに沿って開始・終了する小規模の子どもの対話的行動の2つのメカニズムに起因していると考えられる。
本研究は、人間の動作を協調的に制御する2つの同時メカニズムをモデル化することを提案する。
論文 参考訳（メタデータ） (2023-07-24T12:21:33Z) - Motion Capture Benchmark of Real Industrial Tasks and Traditional Crafts
for Human Movement Analysis [0.0]
本稿では,慣性に基づくモーションキャプチャを用いて記録した7つのデータセットについて述べる。
データセットには、産業従事者や熟練した職人が現場で行うプロのジェスチャーが含まれている。
論文 参考訳（メタデータ） (2023-04-03T10:29:24Z) - Adversarial Attention for Human Motion Synthesis [3.9378507882929563]
本稿では,エンド・ツー・エンドトレーニングを用いた注意型確率的深層対角モデルの適用により,人間の動作合成を制御可能な新しい手法を提案する。
我々は, 対角的注意力を用いて, 短距離地平線と短距離地平線の両面に人工的な人間の動きを生成できることを実証した。
論文 参考訳（メタデータ） (2022-04-25T16:12:42Z) - H4D: Human 4D Modeling by Learning Neural Compositional Representation [75.34798886466311]
この研究は、動的人間に対するコンパクトで構成的な表現を効果的に学習できる新しい枠組みを提示する。
単純で効果的な線形運動モデルを提案し, 粗く規則化された動き推定を行う。
本手法は, 高精度な動作と詳細な形状を持つ動的ヒトの回復に有効であるだけでなく, 様々な4次元人間関連タスクにも有効であることを示す。
論文 参考訳（メタデータ） (2022-03-02T17:10:49Z) - Imposing Temporal Consistency on Deep Monocular Body Shape and Pose
Estimation [67.23327074124855]
本稿では,適合過程における時間的制約の統合に対するエレガントな解法を提案する。
我々は、顎ポーズ、表情、指ポーズを含む人物の形状と動きを表す一連の身体モデルのパラメーターを導出する。
本手法は,表情や手話を含む画像系列からリアルな3次元体モデルの導出を可能にする。
論文 参考訳（メタデータ） (2022-02-07T11:11:55Z) - LatentHuman: Shape-and-Pose Disentangled Latent Representation for Human
Bodies [78.17425779503047]
本稿では,人体に対する新しい暗黙の表現法を提案する。
完全に微分可能で、非交叉形状で最適化可能であり、潜在空間を映し出す。
我々のモデルは、よく設計された損失を伴う、水密でない生データを直接訓練し、微調整することができる。
論文 参考訳（メタデータ） (2021-11-30T04:10:57Z) - Learning Local Recurrent Models for Human Mesh Recovery [50.85467243778406]
本稿では,人間のメッシュを標準的な骨格モデルに従って複数の局所的に分割するビデオメッシュ復元手法を提案する。
次に、各局所部分の力学を別個のリカレントモデルでモデル化し、各モデルは、人体の既知の運動構造に基づいて適切に条件付けする。
これにより、構造的インフォームドな局所的再帰学習アーキテクチャが実現され、アノテーションを使ってエンドツーエンドでトレーニングすることができる。
論文 参考訳（メタデータ） (2021-07-27T14:30:33Z) - Improving Human Motion Prediction Through Continual Learning [2.720960618356385]
人間の動作予測は、より緊密な人間とロボットのコラボレーションを可能にするために不可欠な要素である。
人間の運動の変動は、人間のサイズの違いによる骨格レベルと、個々の動きの慣用性による運動レベルの両方で複合される。
本稿では、エンドツーエンドのトレーニングを可能にすると同時に、微調整の柔軟性も備えたモジュール型シーケンス学習手法を提案する。
論文 参考訳（メタデータ） (2021-07-01T15:34:41Z) - Neural Actor: Neural Free-view Synthesis of Human Actors with Pose
Control [80.79820002330457]
任意の視点と任意の制御可能なポーズの下での人間の高品質な合成法を提案する。
提案手法は,新しいポーズ合成法と同様に,再生時の最先端技術よりも優れた品質を実現し,トレーニングポーズと大きく異なる新しいポーズを一般化することができる。
論文 参考訳（メタデータ） (2021-06-03T17:40:48Z) - Modelling Human Kinetics and Kinematics during Walking using
Reinforcement Learning [0.0]
実世界の人間の運動に匹敵する3次元歩行運動をシミュレーションにより自動生成する手法を開発した。
本手法は, 異なる運動構造と歩行特性を持つヒト-サブジェクトをまたいでよく一般化することを示す。
論文 参考訳（メタデータ） (2021-03-15T04:01:20Z) - How Do We Move: Modeling Human Movement with System Dynamics [34.13127840909941]
我々は,ジェネレーティブ・アドバイサル・イミテーション・ラーニングで人間の動きを学習する。
私たちは、移動エージェントの状態遷移をシステムダイナミクスでモデル化することを学びました。
論文 参考訳（メタデータ） (2020-03-01T23:43:22Z)
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。