A Confidence‐Based Multibody Kinematics Optimization for Markerless Motion Capture: A Proof of Concept
Notice bibliographique
Résumé
Multi-camera markerless motion capture commonly triangulates 3D points from 2D keypoint positions in multiple camera views, then applies a multibody kinematics optimization (MKO) to incorporate biomechanical constraints. However, standard pipelines neglect the 2D confidence heatmaps generated by human pose estimation networks. We hypothesized that performing MKO in 2D camera planes would make it more robust to missing keypoints and allow us to obtain better accuracy. 2D confidence heatmaps were used to maximize available information. To test this, we first model each network-derived heatmap as a 2D Gaussian function characterized by its center, amplitude, and standard deviation. Second, we maximize the sum of these modeled confidences after projecting the biomechanical model into the camera planes. To demonstrate feasibility, we evaluated our method on data from two participants performing sit-to-stand, walking, and manual material handling, captured by a two-camera setup, and simultaneously collected marker-based data. Our Gaussian modeling of the heatmaps demonstrated a mean absolute difference of 0.011 compared to the original discrete maps, confirming its validity. In terms of 3D joint positions and angles, the confidence-based MKO produced results similar to classical distance-based methods. Notably, the confidence-based approach overcame occultations: 89.3% of frames could only be obtained with the distance-based MKO due to missing keypoints, while the confidence-based MKO computed 100% of frames. These findings underscore the potential of using full 2D confidence heatmaps in markerless motion capture, especially under challenging conditions such as sparse camera setups.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».