論文の概要: LIMMT: Less is More for Motion Tracking
- arxiv url: http://arxiv.org/abs/2606.06953v1
- Date: Fri, 05 Jun 2026 06:33:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-08 14:33:29.595087
- Title: LIMMT: Less is More for Motion Tracking
- Title（参考訳）: LIMMT:モーショントラッキングはもっと少ない
- Authors: Yu Guan, Zekun Qi, Chenghuai Lin, Xuchuan Chen, Dairu Liu, Wenyao Zhang, Jilong Wang, Xinqiang Yu, He Wang, Li Yi,
- Abstract要約: 物理の実現可能性、多様性、複雑さという3つの次元を通して、モーションデータの品質を定義します。
AMASSの3%未満のトレーニングでも、完全なデータセットでのトレーニングよりも、トラッキングパフォーマンスが向上することを示す。
- 参考スコア（独自算出の注目度）: 21.535721165004077
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We argue that high-quality motion data can steer tracking policies toward better optimization trajectories early in training. In this work, we introduce LIMMT (Less Is More for Motion Tracking). To our knowledge, this is the first data-centric study for physics-based humanoid motion tracking. We go beyond simply removing low-quality and erroneous clips, but define motion data quality through three dimensions: physics feasibility, diversity, and complexity. We show that even training with under 3% of AMASS yields better tracking performance than training with the full dataset. We further conduct data cleaning on the estimated web-sourced mocap data. Extensive experiments and analyses validate the effectiveness of our framework.
- Abstract（参考訳）: 高品質なモーションデータは、トレーニングの初期段階において、より良い最適化軌跡を追求するためのトラッキングポリシーを操ることができる、と我々は主張する。
本稿では,LIMMT(Less Is More for Motion Tracking)を紹介する。
我々の知る限り、これは物理学に基づくヒューマノイドモーショントラッキングのための最初のデータ中心の研究である。
低品質で誤ったクリップを単に削除するだけでなく、物理の実現可能性、多様性、複雑さという3つの次元を通じて、モーションデータの品質を定義します。
AMASSの3%未満のトレーニングでも、完全なデータセットでのトレーニングよりも、トラッキングパフォーマンスが向上することを示す。
さらに、推定Webソースのmocapデータに基づいて、データのクリーニングを行う。
大規模な実験と分析により,本フレームワークの有効性が検証された。
関連論文リスト
- UniFlow: Towards Zero-Shot LiDAR Scene Flow for Autonomous Vehicles via Cross-Domain Generalization [46.6187296172395]
我々は多種多様なLiDARセンサに転送する一般的な動きの先行を学習する。
我々は、複数の大規模LiDARシーンフローデータセットを統一し、訓練するフィードフォワードモデルのファミリーであるUniFlowを提案する。
UniFlowは、TruckScenesのような目に見えないデータセットで最先端の精度を実現し、TruckScenes固有のモデルよりも30.1%向上している。
論文 参考訳（メタデータ） (2025-11-23T02:51:42Z) - Efficient Motion Prompt Learning for Robust Visual Tracking [58.59714916705317]
本稿では,軽量かつプラグアンドプレイなモーションプロンプトトラッキング手法を提案する。
既存の視覚ベースのトラッカーと簡単に統合して、共同トラッキングフレームワークを構築することができる。
7つのトラッキングベンチマークの実験により、提案したモーションモジュールは、視覚ベースのトラッカーのロバスト性を大幅に改善することが示された。
論文 参考訳（メタデータ） (2025-05-22T07:22:58Z) - ReMP: Reusable Motion Prior for Multi-domain 3D Human Pose Estimation and Motion Inbetweening [10.813269931915364]
我々は人体形状の完全なパラメトリックモデルの前列からリッチな動きを学習する。
我々の前者は、フレーム不足やノイズ測定で簡単にポーズを推定できる。
ReMPは、多種多様な実用的な3Dモーションデータに基づくベースライン法よりも一貫して優れている。
論文 参考訳（メタデータ） (2024-11-13T02:42:07Z) - SPOT: Scalable 3D Pre-training via Occupancy Prediction for Learning Transferable 3D Representations [76.45009891152178]
トレーニング-ファインタニングアプローチは、さまざまな下流データセットとタスクをまたいだトレーニング済みのバックボーンを微調整することで、ラベル付けの負担を軽減することができる。
本稿では, 一般表現学習が, 占領予測のタスクを通じて達成できることを, 初めて示す。
本研究は,LiDAR 点の理解を促進するとともに,LiDAR の事前訓練における今後の進歩の道を開くことを目的とする。
論文 参考訳（メタデータ） (2023-09-19T11:13:01Z) - An Effective Motion-Centric Paradigm for 3D Single Object Tracking in
Point Clouds [50.19288542498838]
LiDARポイントクラウド(LiDAR SOT)における3Dシングルオブジェクトトラッキングは、自動運転において重要な役割を果たす。
現在のアプローチはすべて、外観マッチングに基づくシームズパラダイムに従っている。
我々は新たな視点からLiDAR SOTを扱うための動き中心のパラダイムを導入する。
論文 参考訳（メタデータ） (2023-03-21T17:28:44Z) - Weakly-supervised Learning of Human Dynamics [26.168147530506953]
本研究では,人間の動作から動的推定を行うための弱教師付き学習フレームワークを提案する。
本手法は,エンド・ツー・エンドトレーニングにおいて,前・逆ダイナミックスのための新しいニューラルネットワーク層を含む。
提案手法は, 接地反応力, 接地反応モーメント, 関節トルクのレグレッションの観点から, 最先端の結果が得られる。
論文 参考訳（メタデータ） (2020-07-17T13:32:57Z)
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。