HyperAIHyperAI
vor 2 Monaten

EV-Action: Elektromyografie-Vision Mehrmodaler Aktionen-Datensatz

Wang, Lichen ; Sun, Bin ; Robinson, Joseph ; Jing, Taotao ; Fu, Yun
EV-Action: Elektromyografie-Vision Mehrmodaler Aktionen-Datensatz
Abstract

Die Analyse multimodaler menschlicher Bewegungen ist ein kritischer und attraktiver Forschungsbereich. Die meisten existierenden Datensätze bieten jedoch nur visuelle Modalitäten (d.h., RGB, Tiefe und Skelett). Um dies zu kompensieren, stellen wir in dieser Arbeit einen neuen, groß angelegten EV-Action-Datensatz vor, der aus RGB, Tiefe, Elektromyographie (EMG) und zwei Skelettmodalitäten besteht. Im Vergleich zu herkömmlichen Datensätzen hat der EV-Action-Datensatz zwei wesentliche Verbesserungen: (1) Wir verwenden ein Bewegungserfassungssystem zur Gewinnung einer hochwertigen Skelettmodalität, die umfassendere Bewegungsinformationen bereitstellt, einschließlich Skelett, Trajektorien und Beschleunigung mit höherer Genauigkeit, Abtastrate und mehr Skelettmarkern. (2) Wir führen eine EMG-Modalität ein, die in der Biomechanik als effektiver Indikator verwendet wird und bisher in bewegungsbezogenen Forschungen noch nicht ausreichend erforscht wurde. Nach unserem Wissen handelt es sich dabei um den ersten Aktionsdatensatz mit EMG-Modalität. Die Details des EV-Action-Datensatzes werden erläutert und gleichzeitig wird ein einfaches aber effektives Framework für die Aktionserkennung auf Basis von EMG vorgeschlagen. Des Weiteren werden Stand-of-the-Art-Baselines angewendet, um die Effektivität aller Modalitäten zu evaluieren. Das erzielte Ergebnis zeigt deutlich die Gültigkeit der EMG-Modalität bei Aufgaben zur Analyse menschlicher Bewegungen. Wir hoffen, dass dieser Datensatz wichtige Beiträge zur Analyse menschlicher Bewegungen, Computer Vision, Maschinellem Lernen, Biomechanik und anderen interdisziplinären Bereichen leisten kann.

EV-Action: Elektromyografie-Vision Mehrmodaler Aktionen-Datensatz | Neueste Forschungsarbeiten | HyperAI