文献阅读 RF-Based 3D Skeletons(MIT)

贡献：作者在这篇论文中完成了什么工作(创新点)？

• 不仅可以对人物进行定位，还可以提供详细的3D骨骼并显示他们的确切姿势(从任何角度显示的3D骨架)
• 多人
• 系统可以在未经训练新环境中正常工作

规划：他们如何完成工作？

• 使用FMCW信号
• 骨架有14个关键点坐标
• 获取数据集：开发了一个由12台摄像机组成的协调系统，从每个摄像头利用OpenPose获得2D骨架，然后将2D 骨架组合在一起得到3D骨架(啊这……12台摄像机，因为当时还有没VideoPose3D)
• 如何实现多人检测：设计深度神经网络(region proposal network (RPN))，将射频信号转换为一个抽象域，该域浓缩了相关信息，然后在抽象域中分离出与不同个体有关的信息。
• 训练：CNN(ResNet)神经网络，使用来自相机系统的标记示例进行训练。一旦训练结束，模型就可以从射频信号中推断出3D骨骼。

自己的看法

• 如何获得位置信息？
  生成3D关键点坐标时，这个坐标是包含真实空间位置的，应该有一个世界坐标系。不同于VideoPose3D是在原地的关键点坐标。