論文の概要: VideoRun2D Demo: Markerless Body Tracking for Biomechanical Analysis of Running

• arxiv url: http://arxiv.org/abs/2608.19480v1
• Date: Wed, 19 Aug 2026 22:37:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.41144
• Title: VideoRun2D Demo: Markerless Body Tracking for Biomechanical Analysis of Running
• Title（参考訳）: VideoRun2Dデモ:ランニングのバイオメカニクス解析のためのマーカーレスボディトラッキング
• Abstract要約: VideoRun2D Demoは、異なる人間のポーズ推定器を使用して、スプリント中に生体力学的解析を行う。 テストフレームワークは44人のプロランナーから314回のスプリントを使用しており、スプリントのバイオメカニクスにおいて2つの重要な関節角度に焦点を当てている。
• 参考スコア（独自算出の注目度）: 12.5494572587989
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human pose estimation has advanced significantly due to the development of deep learning models, increased data availability, and improved computing resources. These developments have led to highly accurate body tracking systems with direct applications in sports analysis and performance evaluation. The VideoRun2D Demo performs a biomechanical analysis during sprints using different human pose estimators. The proposed framework was evaluated using human pose trackers and expert manual annotations. The tested framework uses 314 sprints from 44 professional runners, focusing on two key joint angles in sprint biomechanics: 1) hip flexion/extension and 2) knee flexion/extension. The framework also includes a post-processing module for outlier detection. The tested results demonstrate that the average root-mean-square errors range from 11.46° to 5.83° for the best trackers. When integrated with the post-processing modules, these errors can be reduced to 9.87° and 5.30°, respectively. The VideoRun2D Demo findings suggest that human pose-tracking approaches can be valuable resources for the biomechanical analysis of running.
• Abstract（参考訳）: 深層学習モデルの開発、データ可用性の向上、コンピュータリソースの改善により、人間のポーズ推定が大幅に進歩した。 これらの開発により、スポーツ分析やパフォーマンス評価に直接応用できる、高精度な身体追跡システムが実現されている。 VideoRun2D Demoは、異なる人間のポーズ推定器を使用して、スプリント中に生体力学的解析を行う。 提案するフレームワークは,人間のポーズトラッカーと専門家の手動アノテーションを用いて評価した。 テストされたフレームワークでは、44人のプロランナーから314のスプリントを使用し、スプリントのバイオメカニクスにおいて2つの重要な関節角度に焦点を当てている。 1)股関節屈曲・伸展・伸展 2) 膝屈曲・伸展。 フレームワークには、アウトレイラ検出のための後処理モジュールも含まれている。 実験の結果、ルート平均二乗平均誤差は、ベストトラッカーの11.46°から5.83°の範囲であることがわかった。 後処理モジュールと統合すると、これらのエラーはそれぞれ9.87°と5.30°に減少する。 VideoRun2D Demoの調査結果は、人間のポーズ追跡アプローチがランニングのバイオメカニクス分析に有用な資源であることを示唆している。

関連論文リスト

• Proprio: Latent Self-Scoring and Inference-Time Refinement for Physically Plausible Video Generation [78.41956766048308]
  Proprioは、凍結したジェネレータが自身の出力の物理的妥当性を評価し改善することを可能にする、トレーニング不要のフレームワークである。 自己運動の生物学的感覚であるプロプリセプションにインスパイアされたプロプリオは、モデルの流れを自己刺激信号として扱う。 Proprioは、テキスト・ツー・ビデオ・ベンチマークと画像・ツー・ビデオ・ベンチマークの物理的妥当性を一貫して改善する。
  論文  参考訳（メタデータ） (2026-05-27T09:44:18Z)
• Physics Informed Human Posture Estimation Based on 3D Landmarks from Monocular RGB-Videos [1.3399128310861848]
  BlazePoseのような最先端モデルは、リアルタイムのポーズトラッキングに優れていますが、解剖学的制約の欠如は、物理的な知識を含めることで、改善の可能性を示しています。 本稿では、重み付け最適化を用いたBlazePose 3Dと2D推定の長所を生かしたリアルタイム後処理アルゴリズムを提案する。 Physio2.2Mデータセットによる評価では、3D MPJPEが10.2%減少し、BlazePoseの3D推定に比べて16.6%減少している。
  論文  参考訳（メタデータ） (2025-12-07T10:54:09Z)
• SONIC: Supersizing Motion Tracking for Natural Humanoid Whole-Body Control [85.91101551600978]
  モデルキャパシティ,データ,計算のスケールアップにより,自然かつ堅牢な体の動きを生成できる汎用的なヒューマノイドコントローラが得られることを示す。 我々は、ネットワークサイズ、データセットボリューム、計算の3つの軸に沿ってスケーリングすることで、モーショントラッキングのための基礎モデルを構築します。 本研究では,(1)動作追跡を下流タスク実行にブリッジし,自然かつインタラクティブな制御を可能にするリアルタイムユニバーサルキネマティックプランナ,(2)様々な動作入力インタフェースをサポートする統一トークン空間の2つのメカニズムにより,モデルの実用性を示す。
  論文  参考訳（メタデータ） (2025-11-11T04:37:40Z)
• Learning to Track Any Points from Human Motion [55.831218129679144]
  点追跡のための擬似ラベル付きトレーニングデータを生成する自動パイプラインを提案する。 AnthroTAPでトレーニングされた点追跡モデルは、TAP-Vidベンチマークで注釈付き最先端性能を達成する。
  論文  参考訳（メタデータ） (2025-07-08T17:59:58Z)
• Comparison of Visual Trackers for Biomechanical Analysis of Running [12.12643642515884]
  本研究は, スプリントにおけるバイオメカニカル解析のための6つのトラッカー, 2つのポイントトラッカーと4つのジョイントトラッカーの性能を解析する。 実験的なフレームワークでは、5人のプロランナーから40のスプリントが採用されている。 ジョイントベースモデルを使用することで、11.41degから4.37degまでのルート平均2乗誤差が得られる。
  論文  参考訳（メタデータ） (2025-05-07T18:04:14Z)
• AthletePose3D: A Benchmark Dataset for 3D Human Pose Estimation and Kinematic Validation in Athletic Movements [4.653030985708889]
  AthletePose3Dは、高速で高速な運動運動をキャプチャするために設計された、新しいデータセットである。 本研究では,SOTA (State-of-the-art monocular 2D and 3D pose Estimation model on the dataset。
  論文  参考訳（メタデータ） (2025-03-10T16:16:02Z)
• VideoRun2D: Cost-Effective Markerless Motion Capture for Sprint Biomechanics [12.12643642515884]
  スプリントは、特にチームスポーツにおいて、決定的な能力である。スプリントのキネマティクスは、過去にさまざまな方法で研究されてきた。 本研究はまず, 現実的な生体力学解析に2つの一般的なトラッカーを適用し, それらを手動追跡と比較して評価する。 我々は,特にスプリントバイオメカニクスに適応したマーカーレスボディトラッカーを VideoRun2D と呼ぶ。
  論文  参考訳（メタデータ） (2024-09-16T11:10:48Z)
• Fast and Robust Video-Based Exercise Classification via Body Pose Tracking and Scalable Multivariate Time Series Classifiers [13.561233730881279]
  本稿では,ビデオを用いたS&C演習の分類の応用について述べる。 そこで本研究では,BodyMTSという手法を用いて,映像を時系列に変換する手法を提案する。 その結果,BodyMTSの平均精度は87%であり,これはヒトドメインの専門家の精度よりも有意に高いことがわかった。
  論文  参考訳（メタデータ） (2022-10-02T13:03:38Z)
• Global Instance Tracking: Locating Target More Like Humans [47.99395323689126]
  人間の視覚システムの本質的な能力であるターゲットトラッキングは、コンピュータビジョンタスクによってシミュレートされている。 既存のトラッカーは、アスターの実験環境では良好に動作しますが、閉塞や高速動作といった課題で失敗します。 本稿では,ビデオ中の任意のユーザ指定インスタンスを検索するグローバルインスタンス追跡(GIT)タスクを提案する。
  論文  参考訳（メタデータ） (2022-02-26T06:16:34Z)
• AcinoSet: A 3D Pose Estimation Dataset and Baseline Models for Cheetahs in the Wild [51.35013619649463]
  我々はAcinoSetと呼ばれる野生のフリーランニングチーターの広範なデータセットを提示する。 データセットには、119,490フレームのマルチビュー同期高速ビデオ映像、カメラキャリブレーションファイル、7,588フレームが含まれている。 また、結果の3D軌道、人間チェックされた3D地上真実、およびデータを検査するインタラクティブツールも提供される。
  論文  参考訳（メタデータ） (2021-03-24T15:54:11Z)
• Contact and Human Dynamics from Monocular Video [73.47466545178396]
  既存のディープモデルは、ほぼ正確に見えるエラーを含むビデオから2Dと3Dキネマティックのポーズを予測する。 本稿では,最初の2次元と3次元のポーズ推定を入力として,映像系列から3次元の人間の動きを推定する物理に基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-07-22T21:09:11Z)

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。