SSSUMO：实时的半监督式亚运动分解
人机交互
2025-07-14 v1 人工智能
计算机视觉与模式识别
摘要
本文介绍了 SSSUMO，这是一种半监督式深度学习方法用于亚运动分解，实现了业界最先进的准确率和速度。虽然亚运动分析提供了有价值的运动控制见解，但现有方法在重建准确性、计算成本和验证方面受限于难以获取手工标注数据。我们采用半监督学习框架来应对这些挑战。该框架从最小 jerk 原理生成的合成数据开始学习，然后通过适应 unlabeled 人类运动数据进行迭代细化。我们采用全卷积架构和可微分重建，显著优于现有方法，适用于合成数据和多样化的人类运动数据集，显示出即使在高噪声条件下的鲁棒性。关键的是，该模型以实时运行（每个输入秒数少于一毫秒），是优化方法的显著性改进。这一提升的性能促进了在人机交互、康复医学和运动控制研究中的新应用。我们展示了该模型在各种人类执行任务中的有效性，如驾驶、旋转、指向、物体移动、书写和鼠标控制游戏，显示出在传统方法大多失败的具有挑战性的数据集上实现显著改进。训练和基准测试源代码，以及预训练模型权重，已在 https://github.com/dolphin-in-a-coma/sssumo 上公开。
引用
@article{arxiv.2507.08028,
title = {SSSUMO: Real-Time Semi-Supervised Submovement Decomposition},
author = {Evgenii Rudakov and Jonathan Shock and Otto Lappi and Benjamin Ultan Cowley},
journal= {arXiv preprint arXiv:2507.08028},
year = {2025}
}