論文の概要: Diffusion Inertial Poser: Human Motion Reconstruction from Arbitrary Sparse IMU Configurations

• arxiv url: http://arxiv.org/abs/2308.16682v1
• Date: Thu, 31 Aug 2023 12:36:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-01 14:35:02.706943
• Title: Diffusion Inertial Poser: Human Motion Reconstruction from Arbitrary Sparse IMU Configurations
• Title（参考訳）: 拡散慣性電位:任意スパースIMU構成による人間の運動再構成
• Authors: Tom Van Wouwe, Seunghwan Lee, Antoine Falisse, Scott Delp, C. Karen Liu
• Abstract要約: 限られた数の慣性測定ユニット(IMU)からのモーションキャプチャは、健康、人間のパフォーマンス、バーチャルリアリティーに重要な応用がある。 最近の作業は、6つのIMUからボディ全体の動きを正確に再構築することに成功したが、これらのシステムは特定のIMU構成でのみ機能する。 本稿では、任意のIMU構成から人体の動きをリアルタイムに再構成する拡散慣性ポサー(DiffIP)の1つの拡散生成モデルを提案する。
• 参考スコア（独自算出の注目度）: 11.200299518282426
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Motion capture from a limited number of inertial measurement units (IMUs) has important applications in health, human performance, and virtual reality. Real-world limitations and application-specific goals dictate different IMU configurations (i.e., number of IMUs and chosen attachment body segments), trading off accuracy and practicality. Although recent works were successful in accurately reconstructing whole-body motion from six IMUs, these systems only work with a specific IMU configuration. Here we propose a single diffusion generative model, Diffusion Inertial Poser (DiffIP), which reconstructs human motion in real-time from arbitrary IMU configurations. We show that DiffIP has the benefit of flexibility with respect to the IMU configuration while being as accurate as the state-of-the-art for the commonly used six IMU configuration. Our system enables selecting an optimal configuration for different applications without retraining the model. For example, when only four IMUs are available, DiffIP found that the configuration that minimizes errors in joint kinematics instruments the thighs and forearms. However, global translation reconstruction is better when instrumenting the feet instead of the thighs. Although our approach is agnostic to the underlying model, we built DiffIP based on physiologically realistic musculoskeletal models to enable use in biomedical research and health applications.
• Abstract（参考訳）: 限られた数の慣性測定ユニット(IMU)からのモーションキャプチャは、健康、人間のパフォーマンス、バーチャルリアリティーに重要な応用がある。 現実世界の制限とアプリケーション固有のゴールは、異なるIMU構成(IMUの数と選択されたアタッチメントボディセグメント)を規定し、正確性と実用性をトレードオフする。 最近の研究は、6つのIMUからボディ全体の動きを正確に再構築することに成功したが、これらのシステムは特定のIMU構成でのみ動作する。 本稿では、任意のIMU構成から人体の動きをリアルタイムに再構成する拡散慣性ポサー(DiffIP)の1つの拡散生成モデルを提案する。 DiffIPはIMU構成に関して柔軟性の利点があり、一般的な6つのIMU構成の最先端技術と同じくらい正確であることを示す。 本システムでは,モデルを再トレーニングすることなく,異なるアプリケーションに対して最適な構成を選択することができる。 例えば、4つのIMUしか利用できない場合、DiffIPは関節キネマティクスの誤差を最小限に抑える構成は、大腿と前腕を計測する。 しかし、大腿の代わりに足の計測を行う場合、グローバル翻訳の再構築が優れている。 本手法は基礎となるモデルとは無関係であるが,生理的・現実的な筋骨格モデルに基づいてDiffIPを構築し,バイオメディカル研究や健康への応用を可能にした。

関連論文リスト

• Condition-Aware Multimodal Fusion for Robust Semantic Perception of Driving Scenes [56.52618054240197]
  本研究では,運転シーンのロバストな意味認識のための条件対応型マルチモーダル融合手法を提案する。 CAFuserは、RGBカメラ入力を用いて環境条件を分類し、複数のセンサの融合を誘導するコンディショントークンを生成する。 MUSESデータセットでは,マルチモーダルパノプティクスセグメンテーションの59.7 PQ,セマンティックセグメンテーションの78.2 mIoU,公開ベンチマークの1位にランクインした。
  論文  参考訳（メタデータ） (2024-10-14T17:56:20Z)
• Spatial-Related Sensors Matters: 3D Human Motion Reconstruction Assisted with Textual Semantics [4.9493039356268875]
  運動再建のためのウェアラブルデバイスを活用することは、経済的かつ実行可能な技術として現れている。 本稿では,複数のセンサの空間的重要性について考察する。 テキスト管理では, 座位や立位などの不明瞭な動作を区別するだけでなく, より正確で自然な動きを生じさせる。
  論文  参考訳（メタデータ） (2023-12-27T04:21:45Z)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• Virtual Fusion with Contrastive Learning for Single Sensor-based Activity Recognition [5.225544155289783]
  各種センサはHAR(Human Activity Recognition)に使用することができる。 1つのセンサーがユーザーの動きをその視点で完全に観察できない場合があり、誤った予測を引き起こす。 トレーニング中に複数のタイム同期センサーからラベル付けされていないデータを活用できる新しい方法であるVirtual Fusionを提案する。
  論文  参考訳（メタデータ） (2023-12-01T17:03:27Z)
• Design Space Exploration on Efficient and Accurate Human Pose Estimation from Sparse IMU-Sensing [0.04594153909580514]
  HPE(Human Pose Estimation)は、スポーツ、リハビリテーション、仕事の安全などにおいて、個人データを損なうことなく正確な感覚を必要とする。 ハードウェアリソースの正確性と効率的な利用との間の中心的なトレードオフは、研究ではほとんど議論されない。 我々は、センサ構成の異なる公開ボディモデルデータセットからIMUデータを生成し、このデータでディープラーニングモデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-07-21T13:36:49Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Attention-Based Sensor Fusion for Human Activity Recognition Using IMU Signals [4.558966602878624]
  本稿では,異なる身体部位に装着した複数のIMUセンサを用いた人体行動認識のための新しいアテンションベースアプローチを提案する。 異なる身体位置におけるセンサの重要性を学習し、注意に基づく融合機構を開発し、注意的特徴表現を生成する。 提案手法は,5つの公開データセットを用いて評価し,多種多様な活動カテゴリにおける最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-12-20T17:00:27Z)
• Motion Detection using CSI from Raspberry Pi 4 [5.826796031213696]
  チャネル状態情報(Channel State Information, CSI)は、低コストで非侵襲的な無線センシング方式である。 Raspberry Pi 4で収集, 処理されたCSIデータを用いた, 自己校正型モーション検出システムを開発した。
  論文  参考訳（メタデータ） (2021-11-17T13:17:02Z)
• Bandit Quickest Changepoint Detection [55.855465482260165]
  すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。 有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。 本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
  論文  参考訳（メタデータ） (2021-07-22T07:25:35Z)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。 このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。 その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)

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。