SuDA: Support-based Domain Adaptation for Sim2Real Motion Capture with Flexible Sensors

灵活的传感器为人体动作捕捉（MoCap）提供了希望，具有可穿戴性、隐私保护和对自然运动的最小限制等优点。然而，现有的基于灵活传感器的MoCap方法依赖于深度学习，并需要大量不同类型的标记数据进行训练。这些数据通常需要在MoCap工作室使用专业设备进行收集和大量手工劳动，因此难以大规模获取并且成本高昂。由于灵活传感器的高线性，我们提出了一种基于领域自适应的新型Sim2Real Mocap解决方案，消除了对标记数据的需求，同时实现了与监督学习相当的准确性。我们的解决方案依赖于一种新型的支持向量领域自适应方法，即SuDA，它通过对预测函数的支持进行对齐，而不是对齐源域和目标域之间的实例相关分布。广泛的实验结果证明了我们的方法的有效性，并且在我们的任务中优于最先进的基于分布的领域自适应方法。

解决问题：如何使用灵活的传感器进行人体运动捕捉（MoCap）而无需大量标记数据集？

关键思路：提出一种基于域自适应的Sim2Real Mocap解决方案，使用支持向量机实现支持对齐，从而消除标记数据的需求并实现与有监督学习相当的准确性。

亮点：使用灵活的传感器进行人体运动捕捉，无需大量标记数据集。提出的SuDA方法比基于分布的域自适应方法更有效。实验结果表明该方法的有效性和优越性。论文提供了数据集和代码。

相关研究：近期的相关研究包括：《Learning to Transfer: Unsupervised Domain Adaptation via Transfer Learning》、《Deep CORAL: Correlation Alignment for Deep Domain Adaptation》等。