Les données brutes de capture de mouvement optique comprennent souvent des erreurs telles que des marqueurs occultés, des marqueurs mal étiquetés et du bruit ou des tremblements à haute fréquence. Habituellement, ces erreurs doivent être corrigées manuellement, ce qui est une tâche extrêmement chronophage et fastidieuse. En raison de cela, il existe une forte demande d'outils ou de techniques pouvant soulager cette charge. Dans cette recherche, nous présentons un outil qui contourne ce problème et produit directement des transformations articulaires à partir des données brutes des marqueurs (une tâche communément appelée "résolution") de manière extrêmement robuste aux erreurs dans les données d'entrée en utilisant la technique d'apprentissage automatique du débruitage. À partir d'un ensemble de configurations de marqueurs et d'une grande base de données de données de mouvement squelettique telles que la base de données de capture de mouvement CMU [CMU 2013b], nous reconstruisons de manière synthétique les emplacements des marqueurs en utilisant l'habillage linéaire par mélange et appliquons une fonction de bruit unique pour corrompre ces données de marqueurs - en supprimant et en déplaçant aléatoirement des marqueurs pour produire dynamiquement des milliards d'exemples de poses présentant des erreurs similaires à celles trouvées dans les données réelles de capture de mouvement. Ensuite, nous entraînons un réseau neuronal profond d'apprentissage supervisé par débruitage à apprendre une correspondance entre ces données de marqueurs corrompues et les transformations correspondantes des articulations. Une fois entraîné, notre réseau neuronal peut être utilisé en remplacement de la partie de résolution du pipeline de capture de mouvement et, étant donné qu'il est très robuste aux erreurs, il supprime complètement la nécessité d'un nettoyage manuel des données. Notre système est suffisamment précis pour être utilisé en production, atteignant généralement une précision de quelques millimètres, tout en étant extrêmement rapide à calculer et en nécessitant peu de mémoire.
Lisez l'article complet ici.
Auteur
Daniel Holden (Ubisoft La Forge)