人体动力学的弱监督学习
计算机视觉与模式识别
2021-04-26 v2
摘要
本文提出一种用于从人体运动中估计动力学的弱监督学习框架。尽管已有许多现成方案可轻易获取纯人体运动，但其数据不足以分析运动的质量与效率。相反，需要考量驱动人体运动的力与力矩（即动力学）。由于记录动力学是一项繁琐任务，需要昂贵传感器以及复杂、耗时的优化，动力学数据集相较于人体运动数据集规模更小，且很少公开。所提方法利用易获取的运动数据，从而能够在小型动力学集上进行弱监督学习并实现弱监督域迁移。我们的方法在端到端训练中包含了用于正动力学与逆动力学的新型神经网络（NN）层。在此基础上，纯运动数据之间的循环损失可被最小化，即训练期间无需真实力与力矩标签。所提方法在地面反作用力、地面反作用力矩和关节扭矩回归方面取得了最先进（state-of-the-art）结果，并能在大幅缩减的数据集上保持良好性能。
引用
@article{arxiv.2007.08969,
title = {Weakly-supervised Learning of Human Dynamics},
author = {Petrissa Zell and Bodo Rosenhahn and Bastian Wandt},
journal= {arXiv preprint arXiv:2007.08969},
year = {2021}
}