基于深度学习的无标志步态分析中标记姿态估计系统：DeepLabCut 自定义训练与精炼函数
计算机视觉与模式识别
2026-02-24 v1
摘要
人类运动研究的当前金标准是采用高精度但受制于成本和受控环境的基于标记的运动捕捉系统。标记无姿态估计系统作为更具生态学意义的替代方案，允许在自然环境中进行无扰动的数据获取。本研究比较了两种流行的标记无系统，OpenPose (OP) 和 DeepLabCut (DLC)，在评估步态方面的性能。40 名健康受试者�着 5 米步道行走，该步道配备四个力平台和一个摄像头。通过 OP BODY 25 预训练模型 (OPPT)、DLC Model Zoo 全人类预训练模型 (DLCPT) 以及 DLC 自定义训练模型 (DLCCT)，获取步态参数，然后与力平台作为参考系统的数据进行比较。我们的结果表明，DLCCT 在 DLCPT 和 OPPT 方面性能更佳，突显了利用 DeepLabCut 迁移学习来增强带有自定义训练神经网络的姿态估计性能的重要性。此外，DLCCT 借助 DLC 精炼函数的实现，为评估步态提供了最具前景的标记无姿态估计解决方案。因此，我们的数据为实现最佳性能所需的 DLC 训练和精炼过程提供了见解。本研究为寻求超实验室环境中准确低成本运动评估方法的临床医生和实践者提供了参考。
引用
@article{arxiv.2407.10590,
title = {Deep-Learning-Based Markerless Pose Estimation Systems in Gait Analysis: DeepLabCut Custom Training and the Refinement Function},
author = {Giulia Panconi and Stefano Grasso and Sara Guarducci and Lorenzo Mucchi and Diego Minciacchi and Riccardo Bravi},
journal= {arXiv preprint arXiv:2407.10590},
year = {2026}
}