Swing Dance Dataset

用于研究双人舞蹈中协同与同步性的数据集，包含从YouTube下载的视频和处理后的数据。

A dataset dedicated to researching collaboration and synchronization in partner dance, containing videos downloaded from YouTube and processed data.

原始信息汇总

Swing Dance Dataset

数据集概述

Swing Dance Dataset 是一个用于摇摆舞视频分析的数据集。数据集包含原始视频、处理后的视频以及SLAHMR输出文件。

数据结构

• swing_data/raw_data/：存放原始视频文件。
• swing_data/processed_data/：存放处理后的视频文件。
• swing_data/slahmr：存放SLAHMR输出文件。

数据获取与处理

手动设置

1. 创建文件夹结构：

   • swing_data/raw_data/
   • swing_data/processed_data/
   • swing_data/slahmr

2. 从video_links.txt中提供的YouTube视频链接下载视频，并保存到swing_data/raw_data/。

   • 示例链接：https://www.youtube.com/watch?v=laLyyC_RXa4

3. 运行ffmpeg_commands.txt中的ffmpeg命令处理视频，并将处理后的视频保存到swing_data/processed_data/。

4. 从指定URL下载SLAHMR输出文件并解压到swing_data/slahmr。

自动设置

1. 安装所需包：

   pip install pytubefix pip install gdown

2. 运行脚本自动下载和处理数据集：

   python get_swing_data.py

文件命名规则

SLAHMR输出文件的命名规则为：

• swing_data/slahmr/dancing_<video_link>_<start_frame>_<end_frame>.npz

许可证

查看License文件了解数据集的使用许可。

搜集汇总

数据集介绍

构建方式

Swing Dance Dataset的构建过程始于对大量摇摆舞视频的采集与处理。该数据集包含了约30小时的摇摆舞视频，涵盖了680对独特的舞者。为了提取视频中的三维人体运动数据，研究团队采用了SLAHMR技术，将视频提升至四维空间。具体步骤包括：首先，通过网络爬虫技术从YouTube下载原始视频，并存储于`swing_data/raw_data/`目录下；随后，使用ffmpeg工具对视频进行预处理，去除不必要的片头和片尾，并将处理后的视频保存至`swing_data/processed_data/`目录；最后，从指定URL下载SLAHMR处理后的四维人体标注文件，并解压至`swing_data/slahmr`目录。

特点

Swing Dance Dataset的显著特点在于其大规模和多样性。该数据集不仅包含了长达30小时的摇摆舞视频，还通过SLAHMR技术生成了680对舞者的三维人体运动数据，为研究提供了丰富的素材。此外，数据集的构建过程中采用了严格的命名规范，确保了数据的组织性和可追溯性。例如，SLAHMR输出的文件命名格式为`swing_data/slahmr/dancing_<video_link>_<start_frame>_<end_frame>.npz`，便于用户快速定位和使用。

使用方法

使用Swing Dance Dataset可以通过两种主要方式进行。首先，用户可以手动设置数据集，按照提供的文件结构创建目录，并依次下载和处理视频及SLAHMR输出文件。其次，数据集还提供了自动设置的选项，用户只需安装必要的Python包，运行`get_swing_data.py`脚本即可完成数据集的下载和处理。无论采用哪种方式，用户都可以轻松获取并利用这一丰富的摇摆舞数据资源，进行人体运动预测等相关研究。

背景与挑战

背景概述

Swing Dance Dataset 是一个大规模的数据集，包含了约30小时的摇摆舞视频，涵盖了680对独特的舞者。该数据集的核心研究问题在于通过使用SLAHMR技术将视频提升到4D空间，以提取舞者的3D人体运动。这一数据集的创建旨在支持单人和双人人体运动预测的研究，对舞蹈分析和计算机视觉领域具有重要影响。主要研究人员或机构通过synNsync项目网站展示了其研究成果，进一步推动了该领域的技术进步。

当前挑战

Swing Dance Dataset 在构建过程中面临了多个挑战。首先，从YouTube等平台获取原始视频数据并进行预处理，确保数据的完整性和准确性是一个复杂的过程。其次，使用SLAHMR技术将视频提升到4D空间，提取3D人体运动，这一过程需要高精度的算法和计算资源。此外，数据集的规模和多样性要求高效的存储和处理方法，以确保数据的可访问性和分析效率。这些挑战不仅涉及技术层面的难题，还包括数据隐私和版权等法律问题。

常用场景

经典使用场景

在舞蹈动作分析领域，Swing Dance Dataset 以其丰富的3D人体运动数据成为研究者们的宝贵资源。该数据集通过SLAHMR技术将约30小时的摇摆舞视频转化为4D数据，涵盖了680对独特舞者的3D人体模型。这些数据不仅支持单人及双人舞蹈动作的预测研究，还为舞蹈动作的实时捕捉与重现提供了基础。

衍生相关工作

基于Swing Dance Dataset，研究者们开发了多种舞蹈动作预测和分析模型，如基于深度学习的舞蹈动作生成系统。此外，该数据集还激发了在虚拟现实和增强现实领域的新研究，探索如何利用3D人体运动数据提升用户体验。这些衍生工作不仅扩展了数据集的应用范围，也为相关领域的技术进步提供了动力。

数据集最近研究

最新研究方向

在舞蹈分析与计算机视觉领域，Swing Dance Dataset的引入为研究者提供了丰富的资源，特别是在3D人体运动捕捉和4D时空数据分析方面。该数据集通过SLAHMR技术将视频数据提升至4D，为单人和双人舞蹈动作预测提供了精确的3D人体运动模型。这一前沿研究方向不仅推动了舞蹈动作的自动化分析，还为虚拟现实和增强现实中的舞蹈模拟提供了新的可能性。此外，该数据集的应用还扩展至人机交互和运动康复领域，展示了其在多学科交叉中的广泛影响和深远意义。