論文の概要: Classifying daily activities needs posture, reconstructing them needs motion
- arxiv url: http://arxiv.org/abs/2607.13216v1
- Date: Tue, 14 Jul 2026 19:21:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.572664
- Title: Classifying daily activities needs posture, reconstructing them needs motion
- Title（参考訳）: 日常生活の行動の分類には姿勢が必要で、行動の再構築が必要である
- Abstract要約: 我々は、MoViデータセットからの16日間の活動のビデオを用いて、3つの運動分析戦略を比較した。
運動分類には2つの識別的特徴が認められた。
運動分類において最も有意な9つの重要な関節を同定した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Humans recognize movements effortlessly, even from noisy and complex visual input. But what information in the stimulus allows humans to rapidly classify movements? No framework has systematically compared different strategies of movement analysis to address this question. Here, we used videos of 16 daily activities from the MoVi dataset and compared three strategies: Temporal Movement Primitives (TMPs), which decompose movements into weighted sums of temporally smooth basis functions; Legendre polynomial coefficients, which project joint-coordinate trajectories onto an orthogonal polynomial basis; and Autoencoder latent embeddings. Legendre coefficients and TMPs achieved the highest classifier accuracy, followed by autoencoders. We found two discriminative features for movement classification. The most informative is the general posture of the body, the average spatial configuration that distinguishes one activity from another. Additionally, we identified 9 critical joints that are most predictive for movement classification. Interestingly, good classification accuracy did not automatically lead to good movement generation: when we reconstructed movements for each activity, TMPs preserved the temporal dynamics and produced perceptually natural motion, whereas reconstructions from Legendre coefficients retained only the average posture and appeared frozen. These results reveal a dissociation in how movement information is organized: the static configuration of the body suffices to classify what activity is performed, but the temporal dynamics of movement are required to reconstruct how it unfolds. This distinction clarifies which features the visual system may rely upon for rapid action recognition, and suggests that postural features could enable efficient movement screening in clinical applications, while dynamic information remain essential wherever movement generation is the goal.
- Abstract（参考訳）: 人間は、騒々しく複雑な視覚入力からでも、動きを熱心に認識する。
しかし、この刺激で人間が素早く動きを分類できる情報は何だろうか?
この問題に対処するために、運動分析の異なる戦略を体系的に比較したフレームワークは存在しない。
ここでは、モービデータセットから16の日常活動のビデオを用いて、時間的運動原始(TMP)と、時間的滑らかな基底関数の重み付け和に運動を分解する、時間的運動原始(TMP)と、直交多項式基底に共同座標軌道を投影するルジャンドル多項式係数と、オートエンコーダ潜時埋め込み(Autoencoder latent embeddings)の3つの戦略を比較した。
伝説係数とTMPは最も高い分類精度を達成し、その後オートエンコーダが続いた。
運動分類には2つの識別的特徴が認められた。
最も有益なのは、身体の一般的な姿勢であり、ある活動と他の活動とを区別する平均的な空間配置である。
さらに,運動分類において最も有意な9つの重要な関節を同定した。
興味深いことに、適切な分類精度は、各活動の運動を再構築するとき、TMPは時間的ダイナミクスを保存し、知覚的な自然な動きを生み出すのに対し、レジェンダー係数からの再構成は平均姿勢のみを保持し、凍結した状態となる。
身体の静的な構成は、どの活動が実行されるかを分類するのに十分であるが、運動の時間的ダイナミクスは、どのように展開するかを再構築するために必要である。
この区別は、視覚系が迅速な行動認識に依存する可能性のある特徴を明らかにし、姿勢特徴が臨床応用における効率的な運動スクリーニングを可能にすることを示唆している。
関連論文リスト
- MotionMAR: Multi-scale Auto-Regressive Human Motion Reconstruction from Sparse Observations [51.837372131319285]
MotionMARは、スパース観測からの運動再構成のためのフレームワークである。
まず、人間の動きのグローバルな軌跡を推定し、時間的詳細を徐々に洗練する。
MotionMARは、AMASSデータセット上で最先端の精度を達成する。
論文 参考訳（メタデータ） (2026-06-22T08:15:56Z) - IAM: Identity-Aware Human Motion and Shape Joint Generation [14.037850965399384]
本研究では,身体形態と運動力学の関係を明示的にモデル化した個人認識型運動生成フレームワークを提案する。
動作シーケンスと身体形状パラメータを同時に合成するジョイントモーション-形状生成パラダイムを提案する。
モーションキャプチャデータセットと大規模インザワイルドビデオの実験は、モーションリアリズムの改善とモーションアイデンティティの整合性を実証している。
論文 参考訳（メタデータ） (2026-04-28T03:15:12Z) - Bio-Inspired Self-Supervised Learning for Wrist-worn IMU Signals [21.295169769759053]
モータ制御のサブムーブメント理論に基づく新しいトークン化戦略を導入する。
我々はトークンを有限列のサブムーブメントからなる動きの単位である移動セグメントとして定義する。
我々の表現は、6つの主題不一致HARベンチマークで強いウェアラブルSSLベースラインを上回ります。
論文 参考訳（メタデータ） (2026-03-11T16:48:33Z) - Training-free Motion Factorization for Compositional Video Generation [57.819757612370374]
複雑な動きを3つの主要カテゴリに分解する運動因子化フレームワークを提案する。
本フレームワークは,実世界のベンチマークにおいて,動作合成における印象的な性能を実現する。
論文 参考訳（メタデータ） (2026-03-10T02:27:48Z) - PALUM: Part-based Attention Learning for Unified Motion Retargeting [53.17113525688095]
異なる骨格構造を持つキャラクター間の反発は、コンピュータアニメーションの基本的な課題である。
多様な骨格トポロジーにまたがる共通の動き表現を学習する新しいアプローチを提案する。
実験は、運動リアリズムと意味的忠実性を維持しながら、多様な骨格構造を扱う上で優れた性能を示す。
論文 参考訳（メタデータ） (2026-01-12T07:29:44Z) - Universal Humanoid Motion Representations for Physics-Based Control [71.46142106079292]
物理学に基づくヒューマノイド制御のための総合的な運動スキルを含む普遍的な運動表現を提案する。
まず、大きな非構造運動データセットから人間の動きをすべて模倣できる動き模倣機を学習する。
次に、模倣者から直接スキルを蒸留することで、動作表現を作成します。
論文 参考訳（メタデータ） (2023-10-06T20:48:43Z) - Priority-Centric Human Motion Generation in Discrete Latent Space [59.401128190423535]
テキスト・ツー・モーション生成のための優先中心運動離散拡散モデル(M2DM)を提案する。
M2DMは、コード崩壊に対処するために、グローバルな自己注意機構と正規化用語を組み込んでいる。
また、各動きトークンの重要度から決定される革新的なノイズスケジュールを用いた動き離散拡散モデルを提案する。
論文 参考訳（メタデータ） (2023-08-28T10:40:16Z) - Mutual Information-Based Temporal Difference Learning for Human Pose
Estimation in Video [16.32910684198013]
本稿では,動的コンテキストをモデル化するために,フレーム間の時間差を利用した新しいヒューマンポーズ推定フレームワークを提案する。
具体的には、多段階差分を条件とした多段階絡み合い学習シーケンスを設計し、情報的動作表現シーケンスを導出する。
以下は、HiEveベンチマークで、複合イベントチャレンジにおけるクラウドポーズ推定において、第1位にランク付けします。
論文 参考訳（メタデータ） (2023-03-15T09:29:03Z) - Human MotionFormer: Transferring Human Motions with Vision Transformers [73.48118882676276]
人間の動き伝達は、運動合成のためにターゲットの動的人物からソースの静的人物に動きを伝達することを目的としている。
本稿では,世界的および地域的認識を活用して,大規模かつ微妙な動きマッチングを捉える階層型ViTフレームワークであるHuman MotionFormerを提案する。
我々のHuman MotionFormerは、定性的かつ定量的に新しい最先端のパフォーマンスをセットしている。
論文 参考訳（メタデータ） (2023-02-22T11:42:44Z) - Motion Gait: Gait Recognition via Motion Excitation [5.559482051571756]
本研究では,時間的特徴をガイドする動作励起モジュール (MEM) を提案する。
MEMはフレームと間隔の違い情報を学習し、時間変動の表現を得る。
本研究では,人間の水平部分の空間的時間的表現に基づいて独立に学習するファイン・フィーチャー・エクストラクタ(EFF)を提案する。
論文 参考訳（メタデータ） (2022-06-22T13:47:14Z) - Affective Movement Generation using Laban Effort and Shape and Hidden
Markov Models [6.181642248900806]
本稿では,1)ラベル移動解析(LMA)と2)隠れマルコフモデリングという2つの運動抽象化を用いた自動感情運動生成手法を提案する。
LMAは運動の運動的特徴と表現的特徴を抽象的に表現するための体系的なツールを提供する。
特定された動作のHMM抽象化を取得し、所望の動作経路を用いて、対象の感情を伝達する新たな動きを生成する。
評価された自動認識モデルとユーザスタディを用いて、認識可能な目標感情を持つ動きを生成するための提案手法の有効性を評価する。
論文 参考訳（メタデータ） (2020-06-10T21:24:26Z)
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。