論文の概要: OpenCapBench: A Benchmark to Bridge Pose Estimation and Biomechanics
- arxiv url: http://arxiv.org/abs/2406.09788v1
- Date: Fri, 14 Jun 2024 07:37:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-17 14:44:14.231668
- Title: OpenCapBench: A Benchmark to Bridge Pose Estimation and Biomechanics
- Title（参考訳）: OpenCapBench: ポース推定とバイオメカニクスを橋渡しするベンチマーク
- Authors: Yoni Gozlan, Antoine Falisse, Scott Uhlrich, Anthony Gatti, Michael Black, Akshay Chaudhari,
- Abstract要約: 我々はOpenCapBenchを開発し、人間のポーズ推定における共通タスクを評価するために、使いやすく統一されたベンチマークを提供する。
OpenCapBenchは、オープンソースの筋骨格モデリングソフトウェア(OpenSim)が提供する関節角度を通して一貫した運動量を計算する
我々は、事前訓練された2次元ポーズモデルの微調整を可能にする新しいアプローチであるSynthPoseを導入し、正確なキネマティック解析のために、より密集したキーポイントセットを予測する。
- 参考スコア（独自算出の注目度）: 2.2188004943970627
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pose estimation has promised to impact healthcare by enabling more practical methods to quantify nuances of human movement and biomechanics. However, despite the inherent connection between pose estimation and biomechanics, these disciplines have largely remained disparate. For example, most current pose estimation benchmarks use metrics such as Mean Per Joint Position Error, Percentage of Correct Keypoints, or mean Average Precision to assess performance, without quantifying kinematic and physiological correctness - key aspects for biomechanics. To alleviate this challenge, we develop OpenCapBench to offer an easy-to-use unified benchmark to assess common tasks in human pose estimation, evaluated under physiological constraints. OpenCapBench computes consistent kinematic metrics through joints angles provided by an open-source musculoskeletal modeling software (OpenSim). Through OpenCapBench, we demonstrate that current pose estimation models use keypoints that are too sparse for accurate biomechanics analysis. To mitigate this challenge, we introduce SynthPose, a new approach that enables finetuning of pre-trained 2D human pose models to predict an arbitrarily denser set of keypoints for accurate kinematic analysis through the use of synthetic data. Incorporating such finetuning on synthetic data of prior models leads to twofold reduced joint angle errors. Moreover, OpenCapBench allows users to benchmark their own developed models on our clinically relevant cohort. Overall, OpenCapBench bridges the computer vision and biomechanics communities, aiming to drive simultaneous advances in both areas.
- Abstract（参考訳）: ポース推定は、人間の運動や生体力学のニュアンスを定量的に定量化することで、医療に影響を与えることを約束している。
しかし、ポーズ推定と生体力学の関連性にもかかわらず、これらの分野は相変わらず異なっていた。
例えば、現在のポーズ推定ベンチマークでは、平均的な関節位置誤差、正しいキーポイントの比率、平均的な平均精度といったメトリクスを使って、運動学と生理学の正しさを定量化することなく、パフォーマンスを評価する。
この課題を軽減するために,我々は,生理的制約下で評価される人間のポーズ推定における共通タスクを評価するための,使い易い統一ベンチマークを提供するOpenCapBenchを開発した。
OpenCapBenchは、オープンソースの筋骨格モデリングソフトウェア(OpenSim)が提供する関節角度を通じて、一貫した運動量を計算する。
OpenCapBenchを通じて、現在のポーズ推定モデルは、正確な生体力学解析にはスパースすぎるキーポイントを使用することを示した。
この課題を緩和するために、SynthPoseを導入する。これは、事前訓練された2次元ポーズモデルの微調整を可能にする新しいアプローチで、合成データを用いて正確なキネマティック解析のために、キーポイントの任意に密集したセットを予測できる。
先行モデルの合成データにそのような微調整を組み込むことで、2倍の関節角誤差が減少する。
さらに、OpenCapBenchを使うと、ユーザーは臨床関連コホートで独自の開発モデルをベンチマークできる。
全体として、OpenCapBenchはコンピュータビジョンとバイオメカニクスのコミュニティを橋渡しし、両方の領域で同時に進歩することを目指している。
関連論文リスト
- WorldSimBench: Towards Video Generation Models as World Simulators [79.69709361730865]
我々は、予測モデルの機能を階層に分類し、WorldSimBenchと呼ばれる2つの評価フレームワークを提案することにより、World Simulatorの評価の第一歩を踏み出す。
WorldSimBenchにはExplicit Perceptual EvaluationとImplicit Manipulative Evaluationが含まれている。
我々の総合的な評価は、ビデオ生成モデルのさらなる革新を促進する重要な洞察を与え、World Simulatorsをエンボディされた人工知能への重要な進歩と位置づけている。
論文 参考訳（メタデータ） (2024-10-23T17:56:11Z) - OpenCap markerless motion capture estimation of lower extremity kinematics and dynamics in cycling [0.0]
マーカレスモーションキャプチャは、従来のマーカーベースのシステムよりもいくつかの利点がある。
システムは人体のランドマークを直接検出することができ、手作業による処理やマーカーの配置に伴うエラーを減らすことができる。
本研究では,マーカーレスモーションキャプチャシステムであるOpenCapと,サイクリングバイオメカニクス評価における従来のマーカーベースシステムとの比較を行った。
論文 参考訳（メタデータ） (2024-08-20T15:57:40Z) - Using joint angles based on the international biomechanical standards for human action recognition and related tasks [7.789894769085375]
キーポイントデータを一意にポーズを記述するジョイントアングルに変換する方法を示す。
我々は,キーポイントデータの関節角表現が機械学習応用に適していることを実験的に実証した。
人為的なデータ表現としての関節角の使用は、人間の専門家との解釈可能性や対話が重要であるアプリケーションにおいて特に有望である。
論文 参考訳（メタデータ） (2024-06-25T10:23:58Z) - 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) - 3D Kinematics Estimation from Video with a Biomechanical Model and
Synthetic Training Data [4.130944152992895]
2つの入力ビューから3Dキネマティクスを直接出力するバイオメカニクス対応ネットワークを提案する。
実験により, 提案手法は, 合成データにのみ訓練されたものであり, 従来の最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-02-20T17:33:40Z) - 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) - Lightweight Estimation of Hand Mesh and Biomechanically Feasible
Kinematic Parameters [9.477719717840683]
画像から手メッシュを効率的に推定するために,従来提案していた画像-画像-画像間アプローチの効率的なバリエーションを提案する。
Inverted kinematic (IK) network to convert the estimated hand mesh to a biomechanically feasible set of joint rotation parameters。
我々のLite I2L Mesh Netは、計算複雑性全体の13%以下で最先端の関節およびメッシュ推定精度を達成する。
論文 参考訳（メタデータ） (2023-03-26T22:24:12Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - Real-time Pose and Shape Reconstruction of Two Interacting Hands With a
Single Depth Camera [79.41374930171469]
本稿では,2つの強く相互作用する手の位置と形状をリアルタイムに再現する新しい手法を提案する。
われわれのアプローチは、有利なプロパティの広範なリスト、すなわちマーカーレスを組み合わせている。
過去の研究で示された複雑性レベルを超える場面で、最先端の結果を示す。
論文 参考訳（メタデータ） (2021-06-15T11:39:49Z) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳（メタデータ） (2021-01-26T16:01:02Z)
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。