e时代网站制作日本shopify独立站

8. ANUBIS数据集

在第二章中，我们回顾了基于骨架的动作识别的各种方法。在本节中，我们将在我们新收集的大规模骨架数据集上对它们的性能进行比较基准测试。虽然以前已经提出了一些骨架数据集，但新创建的数据集还提供了现有数据集所不拥有的多个属性，如下所述。

1.最近发布的传感器：我们应用了几个最近发布的产品，微软的Azure Kinect相机（Azure Kinect），作为骨架提取器。相比之下，现有的数据集使用了更过时的传感器，如Azure Kinect、微软Kinect V1和V2，用于NTU60 [16]和NTU120 [17]。

2.新颖的视角：我们包括从背对镜头的受试者身上捕捉到的骨架。这是一种在现有数据集中所没有的新的捕获视角。

3.主体的高热情：我们共同采用多种策略来激发参与者的热情和表现力，以确保收集到的骨架动作是忠于真实的。与以往的骨骼收集方法相比，所采用的策略是新的。

4.大流行时期的行动：我们纳入了许多在大流行时期常见的行动，如碰肘和碰拳头。

我们将新的数据集命名为ANUBIS，代表澳大利亚国立大学的室内骨骼基准。除了这个意思之外，阿努比斯也是一个古埃及死亡之神的名字。因此，我们认为这个名称恰当地指的是骨骼的数据集。作为简要概述，我们总结了比的主要规格为表8.1。

 表8.1：ANUBIS规格。

8.1 收集过程

我们在这里描述了如何强烈地产生参与者的动机，收集过程的设置，以及合并的行动。

8.1.1 激励措施

参与者的合作程度强烈影响收集数据的质量。质量差的骨骼阻碍了训练一个准确的动作识别器，并导致公平评估不同模型的不可靠性。

在我们的试点研究过程中，我们观察到一些不热情的参与者。它们对几乎所有的动作都懒散地进行微小的动作，导致不同动作的运动轨迹出乎意料地相似。有些人甚至错误地采取了行为。例如，他们在前踢和侧踢上都做了完全相同的动作。这些人也坚持拒绝纠正自己的行为。

我们的目标是最大