AthletePose3D：面向运动动作 3D 人体姿态估计与运动学验证的基准数据集
摘要
人体姿态估计是计算机视觉和运动生物力学中的一项关键任务，其应用涵盖运动科学、康复和生物力学研究。尽管在单目 3D 姿态估计方面取得了显著进展，但当前的数据集通常无法捕捉竞技体育中典型的复杂、高加速度运动。在这项工作中，我们引入了 AthletePose3D，一个旨在填补这一空白的新型数据集。AthletePose3D 包含跨不同学科的 12 种运动动作，具有约 130 万帧和 16.5 万个独立姿态，专门捕捉高速、高加速度的体育运动。我们在该数据集上评估了最先进的(SOTA)单目 2D 和 3D 姿态估计模型，揭示了在常规数据集上训练的模型在运动动作上表现不佳。然而，在 AthletePose3D 上对这些模型进行微调，显著将 SOTA 模型的每关节平均位置误差(MPJPE)从 214mm 降至 65mm，降幅超过 69%。我们还通过波形分析验证了单目姿态估计的运动学准确性，强调了关节角度估计中的强相关性以及速度估计的局限性。我们的工作提供了体育背景下单目姿态估计模型的全面评估，为推进高性能体育环境中的单目姿态估计技术贡献了宝贵见解。数据集、代码和模型检查点可在以下地址获取：https://github.com/calvinyeungck/AthletePose3D
引用
@article{arxiv.2503.07499,
title = {AthletePose3D: A Benchmark Dataset for 3D Human Pose Estimation and Kinematic Validation in Athletic Movements},
author = {Calvin Yeung and Tomohiro Suzuki and Ryota Tanaka and Zhuoer Yin and Keisuke Fujii},
journal= {arXiv preprint arXiv:2503.07499},
year = {2025}
}
备注
Erratum: A preprocessing mistake occurred in one camera angle of the running motions. This has been corrected, the experiment re-run, and the results updated accordingly. Please note that the conclusions of the experiment and the overall paper remain unchanged