motion capture
PulseAugur coverage of motion capture — every cluster mentioning motion capture across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新数据集面向车内手语识别
研究人员开发了车内手语语料库 (ICSL)，这是一个新的多模态数据集，旨在推进车辆等受限空间内的手语识别 (SLR)。该数据集包括高精度运动捕捉数据以及来自 2D 摄像头和 3D 飞行时间传感器的真实世界录音，总计超过 150 万帧。该资源旨在通过训练鲁棒的 SLR 模型来提高公共交通对聋哑和听障人士的可及性。
-
ComplexMimic框架增强了3D中人景交互的模仿能力
研究人员开发了ComplexMimic，一个旨在提高复杂3D环境中人景交互模仿学习的新框架。该方法解决了在复杂场景中平衡精确运动跟踪与物理上合理运动的挑战。ComplexMimic采用双流策略，包含两个互补的专家和一个面向难度的蒸馏方法，以有效地从不完美的动作捕捉数据中学习，并在实验中优于现有方法。
-
新AI框架使用物理模拟实现逼真的人体-物体交互
研究人员开发了一个名为“Ours”的新框架，它使用物理模拟器来生成逼真的人体-物体交互（HOI）。这种方法旨在克服当前数据驱动方法在昂贵的动作捕捉数据上的依赖以及泛化能力不足的局限性。“Ours”框架使用强化学习在模拟器中训练策略，以创建面向任务的数据，然后使用这个增强的数据集来训练HOI生成的生成模型。实验表明，该方法提高了对新物体的泛化能力，并实现了更长、更符合物理规律的交互。
-
CalTennis数据集发布，用于3D人体姿态估计研究
研究人员发布了CalTennis，一个用于评估单目到3D人体姿态估计的大规模视频数据集。该数据集包含来自40名球员的超过1100万帧网球比赛画面，通过多个同步摄像头捕捉。这个基准比现有数据集大得多，能够进行无标签的姿态估计算法评估，突出了当前模型在深度和脚部接触估计方面的局限性，同时提出了新的性能分析指标。
-
新的Graph Mamba Operator模拟粒子系统
研究人员开发了Graph Mamba Operator (GraMO)，这是一种模拟交互式粒子系统的新方法。GraMO将状态空间模型与基于图的学习相结合，以同时处理空间交互和长程时间依赖性。该方法旨在克服现有模型在长预测周期内容易累积误差的局限性。
-
研究发现：AI模型学习运动到雷达频谱图的物理学
研究人员开发了一个新的框架，用于评估将动作捕捉数据转换为雷达频谱图的数据驱动模型是否正在学习底层物理学。该框架使用两个指标来衡量模型预测与物理学推导的多普勒频率的一致性，以及速度-频率关系的保持情况。实验表明，低重建误差并不总是与物理一致性相关，并且时间注意力对于Transformer模型学习这些物理原理至关重要。