論文の概要: Predict joint angle of body parts based on sequence pattern recognition

• arxiv url: http://arxiv.org/abs/2405.17369v1
• Date: Mon, 27 May 2024 17:24:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-28 14:23:58.794387
• Title: Predict joint angle of body parts based on sequence pattern recognition
• Title（参考訳）: シーケンスパターン認識に基づく身体部位の関節角度予測
• Authors: Amin Ahmadi Kasani, Hedieh Sajedi,
• Abstract要約: エルゴノミストは、職場の視覚的観察に基づいて人間工学的リスクアセスメントを使用する。 作業員の身体の一部は、カメラの視野にはないかもしれない。 画像に写っていない場合、身体部分の位置を予測することは困難である。
• 参考スコア（独自算出の注目度）: 5.371337604556311
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The way organs are positioned and moved in the workplace can cause pain and physical harm. Therefore, ergonomists use ergonomic risk assessments based on visual observation of the workplace, or review pictures and videos taken in the workplace. Sometimes the workers in the photos are not in perfect condition. Some parts of the workers' bodies may not be in the camera's field of view, could be obscured by objects, or by self-occlusion, this is the main problem in 2D human posture recognition. It is difficult to predict the position of body parts when they are not visible in the image, and geometric mathematical methods are not entirely suitable for this purpose. Therefore, we created a dataset with artificial images of a 3D human model, specifically for painful postures, and real human photos from different viewpoints. Each image we captured was based on a predefined joint angle for each 3D model or human model. We created various images, including images where some body parts are not visible. Nevertheless, the joint angle is estimated beforehand, so we could study the case by converting the input images into the sequence of joint connections between predefined body parts and extracting the desired joint angle with a convolutional neural network. In the end, we obtained root mean square error (RMSE) of 12.89 and mean absolute error (MAE) of 4.7 on the test dataset.
• Abstract（参考訳）: 職場での臓器の位置や移動は、痛みや身体的な損傷を引き起こす可能性がある。 そのため、エルゴノミストは職場の視覚的観察に基づく人間工学的リスクアセスメントを利用するか、職場で撮影された写真や動画をレビューする。 写真の労働者が完璧な状態になっていない場合もあります。 作業員の身体の一部は、カメラの視野にはないかもしれないし、物体によって隠蔽されるかもしれないし、自己隠蔽によって、これは人間の姿勢認識における主要な問題である。 画像に写っていないときの身体部位の位置を予測することは困難であり、幾何学的な数学的手法はこの目的に完全に適していない。 そこで我々は,3次元人間のモデル,特に痛みを伴う姿勢,および異なる視点からの実際の人間の写真に対する人工的な画像を用いたデータセットを作成した。 撮影した各画像は、3Dモデルまたは人間のモデルごとに予め定義された関節角度に基づいていた。 身体の一部が見えない画像など、さまざまな画像を作成しました。 いずれにせよ, 関節角度は事前に推定されるため, 入力画像を既定の身体部分間の関節接続のシーケンスに変換し, 畳み込みニューラルネットワークを用いて所望の関節角度を抽出することにより, 検討することができる。 その結果,12.89の根平均二乗誤差(RMSE)と4.7の絶対誤差(MAE)が得られた。

関連論文リスト

• Implicit 3D Human Mesh Recovery using Consistency with Pose and Shape from Unseen-view [23.30144908939099]
  人のイメージから、あいまいさがあっても自然の3Dポーズや形状を容易に推測できる。 Inmplicit 3D Human Mesh Recovery (ImpHMR) を提案する。
  論文  参考訳（メタデータ） (2023-06-30T13:37:24Z)
• Zolly: Zoom Focal Length Correctly for Perspective-Distorted Human Mesh Reconstruction [66.10717041384625]
  Zollyは、視点歪みの画像に焦点を当てた最初の3DHMR法である。 人体の2次元密度ゆらぎスケールを記述した新しいカメラモデルと新しい2次元歪み画像を提案する。 このタスク用に調整された2つの現実世界のデータセットを拡張します。
  論文  参考訳（メタデータ） (2023-03-24T04:22:41Z)
• Neural Novel Actor: Learning a Generalized Animatable Neural Representation for Human Actors [98.24047528960406]
  本稿では,複数の人物の多視点画像のスパース集合から,汎用的アニマタブルなニューラル表現を学習するための新しい手法を提案する。 学習された表現は、カメラのスパースセットから任意の人の新しいビューイメージを合成し、さらにユーザのポーズ制御でアニメーション化することができる。
  論文  参考訳（メタデータ） (2022-08-25T07:36:46Z)
• Learning Visibility for Robust Dense Human Body Estimation [78.37389398573882]
  2D画像から3Dのポーズと形状を推定することは、非常に難しい課題だ。 部分的な観察に頑健な高密度な人体推定を学習する。 我々は、高密度UV通信から可視性ラベルの擬似基底構造を取得し、3次元座標とともに可視性を予測するニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2022-08-23T00:01:05Z)
• 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)
• COAP: Compositional Articulated Occupancy of People [28.234772596912162]
  人体を明瞭に表現する新しい神経暗黙表現法を提案する。 我々は、ニューラルネットワークの占有度を学習するために、部分認識エンコーダデコーダアーキテクチャを採用する。 提案手法は, 効率と精度の両面において, 既存の解よりも優れていた。
  論文  参考訳（メタデータ） (2022-04-13T06:02:20Z)
• 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)
• 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)
• Self-Supervised 3D Human Pose Estimation via Part Guided Novel Image Synthesis [72.34794624243281]
  ラベルのないビデオフレームからバリエーションを分離する自己教師付き学習フレームワークを提案する。 3Dポーズと空間部分マップの表現ギャップを埋める、微分可能な形式化により、多様なカメラの動きを持つビデオで操作できる。
  論文  参考訳（メタデータ） (2020-04-09T07:55:01Z)

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。