Human pose estimation using neural networks and kinematic structure
PulseAugur coverage of Human pose estimation using neural networks and kinematic structure — every cluster mentioning Human pose estimation using neural networks and kinematic structure across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的基于雷达的系统可估算生物力学上可行的运动
研究人员开发了一个新颖的框架，用于从稀疏雷达点云中估算人类运动，并侧重于生物力学上的可行性。该系统集成了全身骨骼模型和一个可微分的、端到端可训练的管道，该管道使用前向运动学来监督姿态网络。该框架预测受试者特定的身体片段比例，并将时间雷达序列映射到广义坐标，然后将其转换为3D位置。接触分类损失确保了物理上可行的脚部与地面交互，在受控的实验室环境中取得了有希望的结果，可用于临床运动分析。
-
新型注意力机制增强低分辨率图像分析
研究人员开发了一种新颖的注意力机制，称为级联多尺度注意力（CMSA），旨在改善低分辨率图像中的特征提取和交互。该机制集成到CNN-ViT混合架构中，通过将分组多头自注意力与基于窗口的局部注意力相结合来实现。CMSA在不进行下采样的情况下有效融合多尺度特征，从而提高了人体姿态估计和头部姿态估计等任务的性能。
-
DanceDuo平台使用扩散模型进行人工智能编舞生成
一个名为DanceDuo的新平台已被推出，它利用扩散模型来创建与各种音乐类型同步的人工智能编舞舞蹈序列。该系统使用户能够选择音乐、人形模型，并导入自己的舞蹈视频以与人工智能生成的例程进行比较。DanceDuo还结合了人类姿势估计，以提供详细的表演比较，用户研究表明其界面直观且用户欣赏比较功能。
-
边缘AI系统利用姿态估计预测和检测跌倒
研究人员开发了一个基于视觉的系统，利用AMD Kria K26 System-on-Module (SOM)上的人体姿态估计来预测和检测老年人的跌倒。该系统捕获RGB和深度数据，在边缘设备上进行处理以估计关节关键点，然后使用CNN对跌倒活动进行分类，同时丢弃RGB帧以保护隐私。多线程管道实现了4.5 FPS的吞吐量，并证明了用于老年人监控的独立于云的、保护隐私的解决方案的可行性。
-
AI系统提供实时运动表现分析
研究人员开发了一种轻量级原型，用于通过无标记深度学习进行实时运动表现分析。该系统集成了人体姿态估计（HPE）和特定运动逻辑，以最少的计算资源向用户提供基于AI的反馈。这种方法超越了旧的基于标记的运动捕捉系统，为通过可访问技术增强运动表现提供了实用的蓝图。
-
新的JAR方法改进人体姿态估计精度
研究人员开发了一种名为基于关节角度的改进（JAR）的新方法，以提高从图像和视频中进行人体姿态估计（HPE）的准确性。该技术解决了当前深度学习模型存在的局限性，这些模型常常受到训练数据集中不准确的手动标注的阻碍。JAR利用关节角度描述和傅里叶级数生成更可靠的真实数据，然后训练双向循环网络来改进姿态估计，纠正错误并平滑轨迹。