使用深度學習進行準確高效的3D運動跟蹤

新的傳感方法使跟蹤運動更容易，更有效。東北大學的一個研究小組已經使用深度學習和結構感知的時間雙邊濾波器從柔性磁通傳感器陣列中捕獲了靈巧的3D運動數據。

靈巧的3D運動數據可以用于多種用途：生物學家可以使用該數據記錄生活環境中小動物的詳細運動，科學家可以跟蹤流體的流動，研究人員可以跟蹤手指的運動和用戶所操縱的物體在虛擬現實中。

當前，光學相機是跟蹤運動的最主要方法。然而，光學相機在準確性和可靠性方面都處于困境。如果小動物挖洞或手指或物體遮擋視線，則相機將無法檢測到運動。

磁跟蹤技術也用于靈巧運動。然而，即使是最先進的磁性系統也面臨著局限性。經典的跟蹤方法會產生偏差，并且磁源會出現死角問題或標記較大。

研究團隊通過在新的磁跟蹤原理上應用深度神經網絡和新穎的結構感知時間雙邊濾波器，發明了他們的新方法。首先，神經網絡學習在任何位置和方向從模擬通量值到LC線圈3-D配置的回歸。

捕獲的具有標記方向的運動序列保持垂直于磁通傳感器平面，并使用提出的方法和數值方法進行計算。傳統方法具有一定的偏差，而所提出的深度學習方法解決了該問題，以達到較高的精度。學分：東北大學

新的濾波器進一步補償數據，以重建平穩準確的運動。標記器不需要電池，因此可以最大限度地延長觀察時間。

結果，新的集成系統可以以毫米級的精度以100Hz的速度跟蹤多個LC線圈。由于系統具有自學習功能，因此可以重構死角引起的跟蹤損耗。

當運動偶爾包含死角數據時，結果是錯誤的，但是可以使用濾鏡對其進行重構。所提出的結構感知時間雙向濾波器的性能優于任何其他常規濾波器，因為它利用了傳感器的原始測量值。學分：東北大學

Kitamura補充說：“我們研究的應用非常廣泛。可以跟蹤手勢以簡化平滑動畫的創建，可以將標記物放入流體中以跟蹤其流動，并可以對小動物進行跟蹤。”