論文の概要: IoT-Based 3D Pose Estimation and Motion Optimization for Athletes: Application of C3D and OpenPose

• arxiv url: http://arxiv.org/abs/2411.12676v1
• Date: Tue, 19 Nov 2024 17:29:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-20 13:37:37.387345
• Title: IoT-Based 3D Pose Estimation and Motion Optimization for Athletes: Application of C3D and OpenPose
• Title（参考訳）: IoTベースのスポーツ選手の3Dポス推定とモーション最適化:C3DとOpenPoseの応用
• Authors: Fei Ren, Chao Ren, Tianyi Lyu,
• Abstract要約: IoT-Enhanced Pose Optimization Network (IEPO-Net) for High-precisionD 3 pose Estimation and Motion Optimization of track and field athletes。 IEPO-Netは、リアルタイムキーポイント検出とハイパーテンポラルパフォーマンスチューニングのための抽出機能としてC3Dを統合している。 本研究は、AP+(p50)スコアが90.5、91.0、mAPスコアが74.3、74.0の優れたデータセットを示す。 今後は、さらなるモデル最適化、マルチモーダルデータ統合、実用的なアプリケーションを強化するリアルタイムフィードバックメカニズムの開発に注力する予定である。
• 参考スコア（独自算出の注目度）: 2.3114861820870924
• License:
• Abstract: This study proposes the IoT-Enhanced Pose Optimization Network (IE-PONet) for high-precision 3D pose estimation and motion optimization of track and field athletes. IE-PONet integrates C3D for spatiotemporal feature extraction, OpenPose for real-time keypoint detection, and Bayesian optimization for hyperparameter tuning. Experimental results on NTURGB+D and FineGYM datasets demonstrate superior performance, with AP\(^p50\) scores of 90.5 and 91.0, and mAP scores of 74.3 and 74.0, respectively. Ablation studies confirm the essential roles of each module in enhancing model accuracy. IE-PONet provides a robust tool for athletic performance analysis and optimization, offering precise technical insights for training and injury prevention. Future work will focus on further model optimization, multimodal data integration, and developing real-time feedback mechanisms to enhance practical applications.
• Abstract（参考訳）: 本研究では,高精度な3次元ポーズ推定と陸上競技選手の動作最適化のためのIoT-Enhanced Pose Optimization Network (IE-PONet)を提案する。 IE-PONetは、時空間の特徴抽出のためのC3D、リアルタイムキーポイント検出のためのOpenPose、ハイパーパラメータチューニングのためのベイズ最適化を統合している。 NTURGB+D と FineGYM のデータセットによる実験結果は、AP\(^p50\) スコアが 90.5 と 91.0 であり、mAP スコアが 74.3 と 74.0 である。 アブレーション研究は、各モジュールがモデル精度を高める上で重要な役割を担っていることを証明している。 IE-PONetは、運動パフォーマンス分析と最適化のための堅牢なツールを提供し、トレーニングと怪我予防の正確な技術的洞察を提供する。 今後は、さらなるモデル最適化、マルチモーダルデータ統合、実用的なアプリケーションを強化するリアルタイムフィードバックメカニズムの開発に注力する予定である。

関連論文リスト

• ALOcc: Adaptive Lifting-based 3D Semantic Occupancy and Cost Volume-based Flow Prediction [89.89610257714006]
  既存の手法は、これらのタスクの要求に応えるために高い精度を優先する。 本稿では,3次元セマンティック占有率予測とフロー推定のための一連の改善点を紹介する。 私たちの純粋な時間的アーキテクチャフレームワークであるALOccは、速度と精度の最適なトレードオフを実現しています。
  論文  参考訳（メタデータ） (2024-11-12T11:32:56Z)
• OccLoff: Learning Optimized Feature Fusion for 3D Occupancy Prediction [5.285847977231642]
  3Dセマンティック占有予測は、自動運転の安全性を確保するために不可欠である。 既存のフュージョンベースの占有法では、画像の特徴に対して2次元から3次元のビュー変換を行うのが一般的である。 OccLoffは3次元占有予測のためにFeature Fusionを最適化するフレームワークである。
  論文  参考訳（メタデータ） (2024-11-06T06:34:27Z)
• EITNet: An IoT-Enhanced Framework for Real-Time Basketball Action Recognition [17.068932442773864]
  EITNetは、ディープラーニング、I3D時間オブジェクト抽出、時間解析のためのTimeSformerを組み合わせたフレームワークである。 私たちの貢献には、認識精度を92%向上する堅牢なアーキテクチャの開発が含まれています。 IoTテクノロジの統合は、リアルタイムデータ処理を強化し、プレイヤーのパフォーマンスと戦略に関する適応的な洞察を提供する。
  論文  参考訳（メタデータ） (2024-10-13T18:21:15Z)
• Study of Dropout in PointPillars with 3D Object Detection [0.0]
  ディープラーニング技術を活用してLiDARデータを解釈する。 本研究では,ポイントピラーモデルの性能を様々なドロップアウト率で向上させる手法を提案する。
  論文  参考訳（メタデータ） (2024-09-01T09:30:54Z)
• GGRt: Towards Pose-free Generalizable 3D Gaussian Splatting in Real-time [112.32349668385635]
  GGRtは、現実のカメラポーズの必要性を軽減する、一般化可能な新しいビュー合成のための新しいアプローチである。 最初のポーズフリーの一般化可能な3D-GSフレームワークとして、GGRtは$ge$5 FPSで、リアルタイムレンダリングは$ge$100 FPSで実現している。
  論文  参考訳（メタデータ） (2024-03-15T09:47:35Z)
• DO3D: Self-supervised Learning of Decomposed Object-aware 3D Motion and Depth from Monocular Videos [76.01906393673897]
  本研究では,モノクラービデオから3次元運動と深度を協調的に学習する自己教師手法を提案する。 本システムでは,深度を推定する深度推定モジュールと,エゴモーションと3次元物体の動きを推定する新しい分解対象3次元運動推定モジュールを備える。 我々のモデルは評価されたすべての設定において優れたパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-03-09T12:22:46Z)
• Uncertainty-Aware Testing-Time Optimization for 3D Human Pose Estimation [68.75387874066647]
  本研究では3次元ポーズ推定のための不確実性認識テスト時間最適化フレームワークを提案する。 我々のアプローチは、Human3.6Mの4.5%という大きなマージンで、過去最高の結果を上回っている。
  論文  参考訳（メタデータ） (2024-02-04T04:28:02Z)
• Multi-Objective Hull Form Optimization with CAD Engine-based Deep Learning Physics for 3D Flow Prediction [0.0]
  本稿では,(1)最も有望な基本船体形状を検出する感度解析,(2)最適船体形状間のトレードオフを定量化するための多目的最適化の2つの応用法を提案する。 これらの結果は、ExtralityのDeep Learning Physics(DLP)モデルをCADエンジンと評価器に結合することで達成した。
  論文  参考訳（メタデータ） (2023-06-22T14:30:41Z)
• GOOD: General Optimization-based Fusion for 3D Object Detection via LiDAR-Camera Object Candidates [10.534984939225014]
  3次元物体検出は、自律運転における知覚タスクの中核となる基礎となる。 Goodは汎用的な最適化ベースの融合フレームワークで、追加のモデルをトレーニングすることなく、満足度の高い検出を実現できる。 nuScenesとKITTIデータセットの両方の実験を行い、その結果、GOODはPointPillarsと比較してmAPスコアで9.1%上回っていることが示された。
  論文  参考訳（メタデータ） (2023-03-17T07:05:04Z)
• Rethinking IoU-based Optimization for Single-stage 3D Object Detection [103.83141677242871]
  本稿では回転分離型IoU(RDIoU)法を提案する。 我々のRDIoUは、回転変数を独立項として分離することで、回帰パラメータの複雑な相互作用を単純化する。
  論文  参考訳（メタデータ） (2022-07-19T15:35:23Z)
• Inference Stage Optimization for Cross-scenario 3D Human Pose Estimation [97.93687743378106]
  既存の3Dポーズ推定モデルは、目に見えないポーズを持つ新しいシナリオに適用する場合、パフォーマンス低下を被る。 本稿では、3次元ポーズモデルの一般化性を改善するための新しいフレームワークである推論段階最適化(ISO)を提案する。 注目すべきは、MPI-INF-3DHPで83.6%の最先端の3D PCKが得られることだ。
  論文  参考訳（メタデータ） (2020-07-04T09:45:18Z)

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。