Graph Convolutional Networks for Automated Anthropometric Measurement Estimation from Three-Dimensional Human Body Meshes
Deze studie toont aan dat een Graph Convolutional Neural Network effectief zestien standaard antropometrische metingen kan schatten direct vanaf 3D menselijke lichaamsmeshes, waarbij een veelbelovende nauwkeurigheid wordt bereikt op synthetische data terwijl de uitdagingen van domeinadaptatie worden benadrukt wanneer het wordt toegepast op scans uit de echte wereld.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Alledaagse objecten, van de stoelen waarop we zitten tot de kleding die we dragen, zijn ontworpen met het menselijk lichaam in gedachten. Eeuwenlang vertrouwde het waarborgen van een goede pasvorm op een eenvoudig, tijdrovend ritueel: een kleermaker of ontwerper die een persoon met een meetlint opmeet. Hoewel deze methode werkt, is zij traag, foutgevoelig en moeilijk toe te passen op duizenden mensen tegelijk. Om dit op te lossen, hebben ingenieurs zich gericht op driedimensionale scanners die de vorm van een persoon vastleggen als een puntenwolk of een draadmodeloppervlak. Deze digitale scans zijn echter slechts ruwe gegevens; ze weten niet automatisch waar een taille zit of hoe lang een arm is. Het extraheren van die specifieke getallen uit een complexe 3D-vorm vereiste traditioneel het handmatig vinden van specifieke anatomische punten of het aanpassen van een generiek lichaamsmodel aan de scan, wat beide rekenintensief en soms onnauwkeurig is.
Een onderzoeker aan de Wayne State University heeft een ander pad verkend, waarbij het menselijk lichaam niet wordt behandeld als een verzameling punten of een rigide sjabloon, maar als een verbonden netwerk. In hun aanpak wordt het oppervlak van een 3D-lichaamsscan beschouwd als een graaf, waarbij elk minuscuul punt op de huid een knooppunt is dat met zijn buren is verbonden door randen, vergelijkbaar met een kaart van steden die door wegen zijn verbonden. Door gebruik te maken van een type kunstmatige intelligentie dat bekend staat als een graph convolutional network, leerde de onderzoeker een computer om naar deze volledige netwerkstructuur te kijken. In plaats van landschappen één voor één te zoeken, leert het systeem hoe de vorm van het hele lichaam zich verhoudt tot specifieke afmetingen, zoals de omtrek van een borstkas of de lengte van een been. Deze methode beoogt de trage, tussenliggende stappen van traditionele scanning over te slaan en direct van de 3D-vorm naar de cijfers te gaan die nodig zijn voor productie.
De onderzoeker trainde het systeem met behulp van een enorme bibliotheek van synthetische lichaamsvormen gegenereerd door een computermodel. Deze digitale lichamen waren perfect, met elke afmeting exact bekend, waardoor het netwerk de relatie tussen vorm en grootte kon leren zonder de ruis die aanwezig is bij scans uit de echte wereld. Eenmaal getraind, werd het systeem getest op twee verschillende datasets. Eerst werd het geëvalueerd op ongeziene synthetische lichamen om te zien hoe goed het patronen had geleerd. In deze gecontroleerde omgeving bleek het netwerk zeer bekwaam; het voorspelde zestien verschillende lichaamsmaten met een gemiddelde fout van ongeveer 22 millimeter. Voor ongeveer 45 procent van deze voorspellingen lag de fout binnen 20 millimeter, een marge die vaak acceptabel is voor veel ontwerptoepassingen. Het systeem was bijzonder goed in het meten van starre delen van het lichaam, zoals de breedte van de schouders of de omtrek van de pols, waar de botten een duidelijke, onveranderlijke structuur bieden.
De echte test kwam echter toen de onderzoeker hetzelfde getrainde systeem toepaste op real-world data van werkelijke menselijke scans. Hier daalde de prestatie aanzienlijk, waarbij de gemiddelde fout steeg naar bijna 58 millimeter. Deze kloof tussen de perfecte synthetische trainingsdata en de rommelige realiteit van menselijke lichamen benadrukt een veelvoorkomende uitdaging in kunstmatige intelligentie: wat perfect werkt in een simulatie, worstelt vaak wanneer het geconfronteerd wordt met de onvoorspelbaarheid van de echte wereld. Het systeem had de meeste moeite met metingen die afhankelijk zijn van zacht weefsel, zoals de taille of de dij. In tegen tegenstelling tot de schouder of de pols, die door botten worden verankerd, kan de taille van vorm veranderen en verschuiven afhankelijk van hoe iemand staat of ademt. Het netwerk had de neiging om deze metingen van zacht weefsel te onderschatten, wat suggereert dat de methode om informatie over het hele lichaam te middelen soms de zeer specifieke details die nodig zijn voor deze cijfers wegvlakte.
Ondanks deze beperkingen biedt de studie een overtuigend bewijs van concept voor een nieuwe manier van denken over lichaamsmeting. De onderzoeker heeft aangetoont dat een computer direct een 3D-lichaamsmesh kan lezen, zonder eerst specifieke punten te hoeven vinden of een generiek sjabloon te hoeven aanpassen. Deze directe aanpak is rekenkundig efficiënt en vereist slechts één passage door het netwerk om resultaten te genereren, wat veel sneller is dan de iteratieve optimalisatiemethoden die bij oudere technieken worden gebruikt. De bevindingen suggereren dat, hoewel de technologie nog niet klaar is voor onmiddellijke, hoogwaardige productie zonder verdere verfijning, de onderliggende strategie solide is. De weg vooruit ligt in het overbruggen van de kloof tussen synthetische training en de toepassing in de echte wereld, bijvoorbeeld door het systeem te leren beter om te gaan met de variabiliteit van zacht weefsel of door het netwerk aan te passen om direct vanuit 2D-foto's te werken in plaats van een vooraf gebouwde 3D-scan te vereisen. Voor nu staat het werk als een belangrijke stap naar het automatiseren van de eeuwenoude kunst van het meten, waarbij de complexe geometrie van de menselijke vorm wordt omgezet in data die machines kunnen begrijpen en gebruiken.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.