基于分层不确定性建模与跨能力学习的运动能力感知自适应姿态估计

《Scientific Reports》：Motor ability-aware adaptive pose estimation with hierarchical uncertainty modeling and cross-ability learning

　　

摘要

目前的人体姿态估计系统在应用于不同运动能力的人群时，其准确率会大幅下降。现有的方法大多依赖标准化的解剖结构，无法对不确定性进行量化。在本文中，我们提出了一种用于人体姿态估计的完整框架，该框架由三个子模块组成。第一个模块名为MADSRNet，它通过使用门控融合和动态图构建技术，动态调整骨骼结构以反映不同的运动能力。第二个模块名为HUGPose，它利用异方差回归技术在关节、肢体和整体层面提供分层式的不确定性估计。第三个模块名为CADCL，它结合对比学习与领域对抗训练，实现跨不同运动能力之间的知识迁移。我们在DiverseMotor-PE数据集上对所提框架进行了测试，取得了最先进的性能指标（41.2毫米MPJPE），相比最佳基线方法（ViTPose）提升了14.7%。普通人与严重运动障碍者在不同层次上的平均MPJPE差异从12.1毫米降至10.3毫米。不确定性估计的预期校准误差为1.58%。由于我们的框架具备针对不同运动能力的设计，因此能够为各类人群提供准确的姿态估计结果。这项工作有助于开发更具包容性的人体姿态估计系统，推动医疗保健及辅助技术领域的公平普及。