使用深度学习进行准确高效的3D运动跟踪

新的传感方法使跟踪运动更容易，更有效。东北大学的一个研究小组已经使用深度学习和结构感知的时间双边滤波器从柔性磁通传感器阵列中捕获了灵巧的3D运动数据。

灵巧的3D运动数据可以用于多种用途：生物学家可以使用该数据记录生活环境中小动物的详细运动，科学家可以跟踪流体的流动，研究人员可以跟踪手指的运动和用户所操纵的物体在虚拟现实中。

当前，光学相机是跟踪运动的最主要方法。然而，光学相机在准确性和可靠性方面都处于困境。如果小动物挖洞或手指或物体遮挡视线，则相机将无法检测到运动。

磁跟踪技术也用于灵巧运动。然而，即使是最先进的磁性系统也面临着局限性。经典的跟踪方法会产生偏差，并且磁源会出现死角问题或标记较大。

研究团队通过在新的磁跟踪原理上应用深度神经网络和新颖的结构感知时间双边滤波器，发明了他们的新方法。首先，神经网络学习在任何位置和方向从模拟通量值到LC线圈3-D配置的回归。

捕获的具有标记方向的运动序列保持垂直于磁通传感器平面，并使用提出的方法和数值方法进行计算。传统方法具有一定的偏差，而所提出的深度学习方法解决了该问题，以达到较高的精度。学分：东北大学

新的滤波器进一步补偿数据，以重建平稳准确的运动。标记器不需要电池，因此可以最大限度地延长观察时间。

结果，新的集成系统可以以毫米级的精度以100Hz的速度跟踪多个LC线圈。由于系统具有自学习功能，因此可以重构死角引起的跟踪损耗。

当运动偶尔包含死角数据时，结果是错误的，但是可以使用滤镜对其进行重构。所提出的结构感知时间双向滤波器的性能优于任何其他常规滤波器，因为它利用了传感器的原始测量值。学分：东北大学

Kitamura补充说：“我们研究的应用非常广泛。可以跟踪手势以简化平滑动画的创建，可以将标记物放入流体中以跟踪其流动，并可以对小动物进行跟踪。”