cn-bodyonly.md

仅包括身体的数据预处理

1. 首先，我们生成动作关节点(T, 52, 3)。请针对每个数据集运行以下命令。DATASET应为['KIT', 'H3D', 'BABEL']。

   python raw_pose_processing.py --data {DATASET}

   在这里，对于BABEL子集，我们只支持all模式（包括seg和seq模式）。

   我们认为这是两全其美的选择。我们将在不久的将来支持seg和seq模式。欢迎社区贡献！

   第一步完成后，您的文件树应如下所示：

   ./body-only-unimocap/
   ├── joints-BABEL
   │   └── *.npy
   ├── joints-H3D
   │   └── *.npy
   └── joints-KIT
       └── *.npy

2. 接下来，我们将为每个子集（['KIT', 'H3D', 'BABEL']）生成new_joint和new_joint_vecs文件夹。在此步骤中，我们将生成263维的动作特征（遵循HumanML3D论文中的数据格式）。

   请针对每个数据集运行以下命令。DATASET应为['KIT', 'H3D', 'BABEL']。

   python motion_representation.py --data {DATASET}

   将所有文本文件复制到每个子集文件夹：

   cp -r ./babel_new_text ./body-only-unimocap/BABEL/texts
   cp -r ./humanml3d_new_text ./body-only-unimocap/H3D/texts
   cp -r ./kit_new_text ./body-only-unimocap/KIT/texts

   第二步完成后，您的文件树应如下所示：

   ./body-only-unimocap/
   ├── BABEL
   │   ├── new_joints       # 每个子文件的*.npy
   │   ├── new_joint_vecs   # 每个子文件的*.npy
   │   └── texts            # 每个子文件的*.txt
   ├── H3D
   │   ├── new_joints       # 每个子文件的*.npy
   │   ├── new_joint_vecs   # 每个子文件的*.npy
   │   └── texts            # 每个子文件的*.txt
   ├── KIT
   │   ├── new_joints       # 每个子文件的*.npy
   │   ├── new_joint_vecs   # 每个子文件的*.npy
   │   └── texts            # 每个子文件的*.txt
   ├── joints-BABEL
   │   └── *.npy
   ├── joints-H3D
   │   └── *.npy
   └── joints-KIT
       └── *.npy

3. 最后，我们将将UniMoCap数据集统一为HumanML3D格式。

   1. 首先，请生成镜像文本。

      python diff.py

   2. 合并三个子集。

      python split.py

   3. 计算均值和方差。

      python mean_variance.py

OK！经过所有这些处理，我们将获得结构如下的H3D格式UniMocap数据集：

./datasets/UniMocap
├── Mean.npy
├── new_joints
├── new_joint_vecs
├── Std.npy
├── test.txt
├── texts
├── train.txt
└── val.txt

[1]: Guo, Chuan, et al. "Generating diverse and natural 3d human motions from text." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022.