稀疏传感器动作捕捉物理约束的深度模型求解方法OA
采用稀疏传感器捕捉人体动作,并驱动计算机中的虚拟人复现该动作,是虚拟现实等领域的关键技术之一;其中,复现动作的相关计算需同时满足运动约束与物理约束。目前,主要采用非线性优化方法解决此类计算的物理约束问题,该方法存在运算时间长、计算复杂度高、需要设计专用优化器等不足。为此,本文提出了一种基于深度神经网络模型求解稀疏传感器动作捕捉物理约束优化问题的方法。首先,将多模态特征融合网络和多路精炼网络有效结合,形成后段融合多层级结构的基础模型。其次,通过渐进式融合的方法建立基础模型层间的反向投影连接,实现基础模型的迭代,使深层融合的信息能够被浅层使用。最后,提出了一种包含物理约束的组合加权损失函数,适用于隐式和显式物理约束情况下对深度模型的微调。实验结果表明,本文提出的方法不仅可行性好,而且计算效率提高了20个百分点;与其他常用优化方法相比,本文方法在4种主流评价指标上均展现良好性能;在其他数据集上运行本文方法,同样得到良好效果,证明本文方法具有较好的泛化性。本文方法为形成端到端的稀疏传感器动作捕捉深度模型提供了一种新的思路。
欧诚彬;钟映春;张钢
广东工业大学自动化学院,广东广州510006广东工业大学自动化学院,广东广州510006广东工业大学自动化学院,广东广州510006
信息技术与安全科学
稀疏传感器动作捕捉物理约束深度模型
《广东工业大学学报》 2026 (4)
P.67-79,13
国家自然科学基金资助项目(61975248)。
评论