AutoSoccerPose：足球射门动作的自动化三维姿势分析
内容提要
SportsPose 是一个包含超过 176,000 个 3D 姿势的数据集，旨在提升运动表现分析和损伤预防模型的开发。文章介绍了 SoloPose 模型，增强了 3D 姿势估计的准确性，并通过扩展数据集解决了多样性问题。研究探讨了自监督学习和深度学习在姿势估计中的应用，展示了在多个数据集上的优越性能。
延伸解读
数据集规模与多样性
SportsPose 数据集包含超过 176,000 个 3D 姿势，来自 24 名受试者的 5 种运动活动。这种规模和多样性有助于提升运动表现分析和损伤预防模型的泛化能力，为后续研究提供了丰富的数据基础。
SoloPose 模型的技术特点
SoloPose 是一种新颖的一次性、多对多的时空转换模型，用于视频中的运动学 3D 人体姿势估计。它进一步加强了 HeatPose，一种基于高斯混合模型分布的 3D 热图，对目标关键点和动力学相邻关键点进行因素分解，从而提高了估计准确性。
数据多样性扩展方法
通过 3D AugMotion 工具包，将四个顶级公共 3D 人体姿势数据集（Humans3.6M、MADS、AIST Dance++、MPI INF 3DHP）投影到一个新的数据集（Humans7.1M）中，使用通用坐标系统，解决了数据多样性限制问题，增强了模型的泛化能力。
实验验证与性能表现
在 Human3.6M 和增强的 Humans7.1M 数据集上进行的大量实验证明，SoloPose 相对于最先进的方法具有优越的结果，展示了其在 3D 人体姿势估计任务上的有效性和先进性。
Q&A
SportsPose 数据集的主要特点是什么？
SportsPose 数据集包含超过 176,000 个 3D 姿势，涵盖多种运动活动，旨在提升运动表现分析和损伤预防模型的开发。
SoloPose 模型如何提高 3D 姿势估计的准确性？
SoloPose 模型通过增强 HeatPose 和扩展数据集，解决了多样性问题，从而提高了 3D 姿势估计的准确性。
自监督学习在姿势估计中的应用有哪些？
自监督学习被用于从仅有 2D 信息的视频中学习 3D 姿势，强调了时间一致性在提高 3D 预测模型精度方面的优点。
如何解决数据多样性限制问题？
通过 3D AugMotion 工具包，将多个公共 3D 姿势数据集投影到一个新的数据集，使用通用坐标系统来解决数据多样性限制。
SoloPose 模型在实验中表现如何？
在 Human3.6M 和增强的 Humans7.1M 数据集上，SoloPose 模型相对于最先进的方法显示出优越的结果。
SportsPose 数据集的用途是什么？
SportsPose 数据集可用于开发和评估更有效的运动表现分析和损伤预防模型。
