論文の概要: Nonlinear Methods for Analyzing Pose in Behavioral Research

• arxiv url: http://arxiv.org/abs/2604.01453v1
• Date: Wed, 01 Apr 2026 22:59:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.093337
• Title: Nonlinear Methods for Analyzing Pose in Behavioral Research
• Title（参考訳）: 行動研究におけるポース解析の非線形手法
• Authors: Carter Sale, Margaret C. Macpherson, Gaurav Patil, Kelly Miles, Rachel W. Kallen, Sebastian Wallot, Michael J. Richardson,
• Abstract要約: ポーズデータの高次元性、ノイズ、時間的複雑さは、協調と行動の変化の有意義なパターンを抽出する上での課題を提起する。 本稿では,動きの線形的特徴と非線形的特徴の両方をサポートするために,人間のポーズデータに対する汎用的分析パイプラインを提案する。 ケーススタディでは、パイプラインが複雑なポーズ時系列から理論的に意味のある洞察を抽出するためにどのように適応できるかを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advances in markerless pose estimation have made it possible to capture detailed human movement in naturalistic settings using standard video, enabling new forms of behavioral analysis at scale. However, the high dimensionality, noise, and temporal complexity of pose data raise significant challenges for extracting meaningful patterns of coordination and behavioral change. This paper presents a general-purpose analysis pipeline for human pose data, designed to support both linear and nonlinear characterizations of movement across diverse experimental contexts. The pipeline combines principled preprocessing, dimensionality reduction, and recurrence-based time series analysis to quantify the temporal structure of movement dynamics. To illustrate the pipeline's flexibility, we present three case studies spanning facial and full-body movement, 2D and 3D data, and individual versus multi-agent behavior. Together, these examples demonstrate how the same analytic workflow can be adapted to extract theoretically meaningful insights from complex pose time series.
• Abstract（参考訳）: マーカーレスポーズ推定の進歩により、標準的なビデオを用いて、自然主義的な設定で詳細な人間の動きを捉えることができ、スケールでの新しい行動分析が可能になった。 しかし、ポーズデータの高次元性、ノイズ、時間的複雑さは、協調と行動の変化の有意義なパターンを抽出する上で重要な課題を提起する。 本稿では,多種多様な実験環境における動きの線形的特徴と非線形的特徴の両方をサポートするために,人間のポーズデータに対する汎用的分析パイプラインを提案する。 このパイプラインは、原理化された前処理、次元減少、繰り返しに基づく時系列解析を組み合わせて、運動力学の時間構造を定量化する。 パイプラインの柔軟性を説明するために,顔と全身の動き,2Dおよび3Dデータ,および個人とマルチエージェントの行動の3つのケーススタディを示す。 これらの例は、複雑なポーズ時系列から理論的に意味のある洞察を抽出するために、同じ分析ワークフローをどのように適用できるかを示すものである。

関連論文リスト

• Feature-Function Curvature Analysis: A Geometric Framework for Explaining Differentiable Models [12.066539442813836]
  本稿では,モデルの学習関数の幾何を解析するフレームワークであるFeature-Function Curvature Analysis (FFCA)を紹介する。 FFCAは、(1)影響、(2)ボラティリティ、(3)非線形性、(4)相互作用の4次元のシグネチャを生成する。 階層学習の直接的な経験的な最初の証拠を提供し、モデルが複雑な相互作用の前に単純な線形効果を一貫して学習することを示す。
  論文  参考訳（メタデータ） (2025-10-31T06:07:55Z)
• MonST3R: A Simple Approach for Estimating Geometry in the Presence of Motion [118.74385965694694]
  我々は動的シーンから時間ステップごとの幾何を直接推定する新しい幾何学的アプローチであるMotion DUSt3R(MonST3R)を提案する。 各タイムステップのポイントマップを単純に推定することで、静的シーンにのみ使用されるDUST3Rの表現を動的シーンに効果的に適応させることができる。 我々は、問題を微調整タスクとしてポーズし、いくつかの適切なデータセットを特定し、この制限されたデータ上でモデルを戦略的に訓練することで、驚くほどモデルを動的に扱えることを示す。
  論文  参考訳（メタデータ） (2024-10-04T18:00:07Z)
• Neural Persistence Dynamics [8.197801260302642]
  時間発展する点雲のトポロジにおける力学を学習する問題を考察する。 提案したモデル - $textitNeural Persistence Dynamics$ - は、パラメータ回帰タスクの多種多様なセットで最先端のパフォーマンスを大幅に上回る。
  論文  参考訳（メタデータ） (2024-05-24T17:20:18Z)
• 3D Human Pose Analysis via Diffusion Synthesis [65.268245109828]
  PADSは、逆問題フレームワーク内での一般的な3次元ポーズ解析に取り組むための、初めての拡散ベースのフレームワークである。 その性能は異なるベンチマークで検証され、パイプラインの適応性と堅牢性を示している。
  論文  参考訳（メタデータ） (2024-01-17T02:59:34Z)
• Inverse Dynamics Pretraining Learns Good Representations for Multitask Imitation [66.86987509942607]
  このようなパラダイムを模倣学習でどのように行うべきかを評価する。 本稿では,事前学習コーパスがマルチタスクのデモンストレーションから成り立つ環境について考察する。 逆動力学モデリングはこの設定に適していると主張する。
  論文  参考訳（メタデータ） (2023-05-26T14:40:46Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Dynamical Deep Generative Latent Modeling of 3D Skeletal Motion [15.359134407309726]
  本モデルでは,高度に相関した骨格データを時間的変化の空間的基礎の集合に分解する。 これにより、3次元ポーズデータのダイナミックスにおいて意味のある内在状態を解析する動的深部生成潜在モデルが得られる。
  論文  参考訳（メタデータ） (2021-06-18T23:58:49Z)
• Dynamic multi-object Gaussian process models: A framework for data-driven functional modelling of human joints [0.0]
  形状とポーズを結合する原則的かつ堅牢な方法が,3つの主要な問題によって明らかになってきた。 本研究では,人体関節解析のための動的多目的統計モデリングフレームワークを提案する。 このフレームワークは、生物学的関節のための効率的な生成動的マルチオブジェクトモデリングプラットフォームを提供する。
  論文  参考訳（メタデータ） (2020-01-22T07:57:36Z)

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。