論文の概要: Markerless Pose Estimation for Resistance Training Technique Assessment

• arxiv url: http://arxiv.org/abs/2608.24384v1
• Date: Tue, 25 Aug 2026 10:44:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.943367
• Title: Markerless Pose Estimation for Resistance Training Technique Assessment
• Title（参考訳）: 抵抗訓練技術評価のためのマーカレスポーズ推定
• Abstract要約: マーカーレスポーズ推定は、物理的マーカーなしで画像やビデオから身体のランドマークを推測する。 通常の映像から抵抗訓練手法を評価するためのポーズ推定フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Resistance training can be a high risk activity, and safe form is essential to avoiding injury. Laboratory-based movement analysis provides quantitive technique assessment, yet is not easily accessible. Markerless pose estimation infers body landmarks from images or video without physical markers and could offer a feasible alternative for technique assessment. We present a pose estimation framework to evaluate resistance-training technique from ordinary video footage. Using BlazePose, anatomical landmarks were extracted from squat, bench press, and deadlift videos and converted into joint-angle trajectories, with the squat serving as the primary case study. Trajectories were assessed against a defined reference repetition using root mean square error (RMSE). Results show that the framework recovers meaningful kinematic patterns for the squat and deadlift, enabling quantitative comparison between repetitions and identification of technique variability within a set. Performance depended strongly on camera orientation and visual occlusion, with non-sagittal views distorting 2D joint-angle estimates. The findings demonstrate that markerless pose estimation can support accessible biomechanical assessment outside laboratory environments.
• Abstract（参考訳）: 抵抗トレーニングは高いリスク活動であり、損傷を避けるためには安全な形態が不可欠である。 実験室に基づく運動分析は定量的手法の評価を提供するが、容易にはアクセスできない。 マーカレスポーズ推定は、物理的マーカーなしで画像やビデオから身体のランドマークを推測し、技術評価のための実用的な代替手段を提供する。 通常の映像から抵抗訓練手法を評価するためのポーズ推定フレームワークを提案する。 BlazePoseを用いて、スクワット、ベンチプレス、デッドリフトビデオから解剖学的ランドマークを抽出し、スクワットを主要なケーススタディとして、関節角度の軌跡に変換する。 ルート平均二乗誤差 (RMSE) を用いて, 基準繰り返しに対する軌道の評価を行った。 その結果, 本フレームワークは, スクワットとデッドリフトに有意義なキネマティックパターンを復元し, 繰り返しの定量的比較と, 集合内のテクニック変動の同定を可能にした。 2次元関節角度推定を歪ませる非矢状視で、カメラの向きと視覚的閉塞に強く依存した。 その結果, マーカーレスポーズ推定は, 実験室外の生体力学的評価に有効であることが示唆された。

関連論文リスト

• Skeleton-Based Transformer for Classification of Errors and Better Feedback in Low Back Pain Physical Rehabilitation Exercises [0.9094127664014627]
  近年,身体リハビリテーション運動の質評価が著しく進歩している。 それらのほとんどは、パフォーマンスが正しいか間違っている場合にのみバイナリ分類を提供し、いくつかは連続的なスコアを提供する。 本研究では,リハビリテーション演習の誤り分類アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-28T10:30:39Z)
• Validation of Human Pose Estimation and Human Mesh Recovery for Extracting Clinically Relevant Motion Data from Videos [79.62407455005561]
  人間のポーズ推定を用いたマーカーレスモーションキャプチャは、IMUとMoCapのキネマティクスの結果とインラインで結果を生成する。 生成するデータの品質に関してはまだ改善の余地がありますが、この妥協はエラーの部屋にあると考えています。
  論文  参考訳（メタデータ） (2025-03-18T22:18:33Z)
• UNOPose: Unseen Object Pose Estimation with an Unposed RGB-D Reference Image [86.7128543480229]
  見えないオブジェクトのポーズ推定方法はCADモデルや複数の参照ビューに依存することが多い。 参照取得を簡略化するために,未提示のRGB-D参照画像を用いて未確認オブジェクトのポーズを推定することを目的とする。 単参照型オブジェクトポーズ推定のための新しいアプローチとベンチマークをUNOPoseと呼ぶ。
  論文  参考訳（メタデータ） (2024-11-25T05:36:00Z)
• Multi-feature Compensatory Motion Analysis for Reaching Motions Over a Discretely Sampled Workspace [5.004501184476518]
  上肢補綴における手首などの機能的腕関節の欠如は、補償運動を引き起こす。 この研究は、個別にサンプリングされた7*7 2Dグリッドに到達した被験者の最終ポーズにおける補償運動を分析した。
  論文  参考訳（メタデータ） (2024-08-23T19:39:08Z)
• Strengths and Weaknesses of 3D Pose Estimation and Inertial Motion Capture System for Movement Therapy [0.0]
  3Dポーズ推定は、高速で非侵襲的で正確な動き分析の機会を提供する。 我々は,既存の慣性センサシステムMTw Awindaと比較して,最先端の3D位置推定手法であるMeTrabsの精度について検討した。
  論文  参考訳（メタデータ） (2023-06-01T20:35:06Z)
• ShaRPy: Shape Reconstruction and Hand Pose Estimation from RGB-D with Uncertainty [6.559796851992517]
  本稿では,最初のRGB-D形状再構成システムであるShaRPyを提案する。 ShaRPyはパーソナライズされた手の形を近似し、デジタルツインのより現実的で直感的な理解を促進する。 キーポイント検出ベンチマークを用いてShaRPyを評価し,筋骨格疾患の能動モニタリングのための手機能評価の質的結果を示した。
  論文  参考訳（メタデータ） (2023-03-17T15:12:25Z)
• Vogtareuth Rehab Depth Datasets: Benchmark for Marker-less Posture Estimation in Rehabilitation [55.41644538483948]
  本研究では,リハビリテーションを行う患者の深度画像と2次元ポーズ情報を含む2つのリハビリテーション特異的ポーズデータセットを提案する。 我々は、非リハブベンチマークデータセットに基づいてトレーニングされた、最先端のマーカーレス姿勢推定モデルを用いている。 私たちのデータセットは、リハビリ特有の複雑な姿勢を検出するために、ポーズモデルを訓練するのに使用できます。
  論文  参考訳（メタデータ） (2021-08-23T16:18:26Z)
• Learning Dynamics via Graph Neural Networks for Human Pose Estimation and Tracking [98.91894395941766]
  ポーズ検出とは無関係なポーズダイナミクスを学習する新しいオンライン手法を提案する。 具体的には、空間的・時間的情報と視覚的情報の両方を明示的に考慮したグラフニューラルネットワーク(GNN)を通して、このダイナミクスの予測を導出する。 PoseTrack 2017とPoseTrack 2018データセットの実験では、提案手法が人間のポーズ推定とトラッキングタスクの両方において、技術の現状よりも優れた結果が得られることを示した。
  論文  参考訳（メタデータ） (2021-06-07T16:36:50Z)
• Grading Loss: A Fracture Grade-based Metric Loss for Vertebral Fracture Detection [58.984536305767996]
  自動椎骨骨折検出のための表現学習型アプローチを提案する。 本稿では,Genantのフラクチャーグレーディングスキームを尊重する,学習表現のための新しいGrading Lossを提案する。 一般に利用可能なスピーンデータセットでは、提案された損失関数が81.5%のフラクチャー検出F1スコアを達成する。
  論文  参考訳（メタデータ） (2020-08-18T10:03:45Z)
• Kinematic-Structure-Preserved Representation for Unsupervised 3D Human Pose Estimation [58.72192168935338]
  大規模インスタディオデータセットの監視を用いて開発された人間のポーズ推定モデルの一般化可能性については疑問が残る。 本稿では,2対あるいは2対の弱い監督者によって抑制されない,新しいキネマティック構造保存型非教師付き3次元ポーズ推定フレームワークを提案する。 提案モデルでは,前方運動学,カメラ投影,空間マップ変換という3つの連続的な微分可能変換を用いる。
  論文  参考訳（メタデータ） (2020-06-24T23:56:33Z)

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。