Deep learning based auto-labeling for sparse underwater freestyle marker-based optical motion capture using Qualisys Miqus M5U MoCap cameras
Notice bibliographique
Résumé
This thesis proposes novel algorithms to automate cleaning and labeling of motion capture (MoCap) data specifically for underwater marker-based optical MoCap systems. Challenges related to sparse underwater freestyle MoCap data, captured using Qualisys Miqus M5U MoCap cameras, are explored using a dataset of 21 passive markers. A thorough review on MoCap denoising, recovery, alignment, and auto-labeling methods is conducted. The manual cleaning process using Qualisys Track Manager software and Automatic Identification of Markers function is explained. Then, a novel semi-supervised geometry-based labeling algorithm is developed based on distance and angle measurements with a visual evaluation of 100% accuracy. This algorithm includes sub algorithms for extraneous removal via norm differences, anomaly detection, pelvis detection based on Principal Component Analysis, recovery of missing markers, and detection of corresponding reappearing markers along with a side detection algorithm. Finally, a deep learning-based auto-labeling algorithm utilizing Long-Short-Term Memory is proposed, employing Hungarian label assignment and Procrustes analysis to label unlabeled data. The network accepts the 3D relative positions of markers, velocity, and acceleration. The ground truth and the training set are generated by the geometry-based algorithm and enhanced using data augmentation and transfer learning of simulated trajectories. The pelvis detection technique automates the alignment, and the extraneous removal algorithm enhances accuracy from 66% to 98%. These algorithms work effectively in the presence of outliers, extraneous, ghosts, and missing markers. Future work will evaluate the algorithm with more data and ghost markers and explore a more robust body side detection algorithm.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».