КІЛЬКІСНИЙ МЕТОД ПІДРАХУНКУ ПОВТОРЕНЬ ФІЗИЧНИХ ВПРАВ ЗА ВИХІДНИМ СИГНАЛОМ НЕЙРОННОЇ МЕРЕЖІ
DOI:
https://doi.org/10.32347/2412-9933.2020.44.65-69Ключові слова:
комп'юторний зір, біомеханіка, штучний інтелект, підрахунок повторень, присідання, машина станівАнотація
Нині у світі швидкими темпами розвиваються системи штучного інтелекту та комп'ютерного зору, зокрема випускають нові архітектури нейронних мереж, що оцінюють тривимірну позу людини за відео. Такі нейронні мережі потребують аналізу їх вихідного сигналу з метою отримання корисних для кінцевого користувача даних та їх подальшої інтеграції у користувацькі системи. Автором запропоновано новий метод аналізу вихідного сигналу нейронної мережі, що оцінює положення людини у просторі, який виконує підрахунок повторень вправи "присідання". В основі цього методу лежить машина станів, яка додає одиницю до лічильника повторень у момент закінчення циклу вправи. Застосування цього методу на початкових етапах алгоритму аналізу вправи допоможе у подальшому розробляти системи, що перевіряють техніку присідання та допомагають спортсменам і тренерам під час тренування, а також вченим у сфері біомеханіки під час їхньої професійної діяльності. Відмінною рисою цього методу є стійкість як до викидів вхідного сигналу, тобто неправильних результатів розпізнавання пози людини нейронною мережею, так і до рухів людини, які не належать до вправи безпосередньо. Також застосування цього методу до аналізу сигналу нейронної мережі дає змогу поєднати позитивні якості, властиві нейронним мережам, використовуваним в комт’ютерному зорі (допустимість високої варіабельності одягу і фону), і позитивні якості аналітичних і алгоритмічних методів (легка інтерпретованість результатів, зручне налагодження, можливість використання предметного досвіду спеціалістів для підбору параметрів). Пропонований метод не є специфічним по відношенню до будь-якої конкретної нейронної мережі, а тому може використовуватися на виході практично будь-якої системи, яка визначає положення суглобів людини в просторі. Крім опису методу, в статті наведено результати його випробувань в різних умовах. Така схема випробувань може застосовуватися не тільки для докладання цього методу до вправи "присідання", але і до будь-якої іншої циклічної вправи.
Посилання
Ofir Levy, Lior Wolf. Live Repetition Counting. The 2015 IEEE International Conference on Computer Vision (ICCV’15) : proceedings. IEEE Computer Society, USA, 2015. P. 3020–3028. DOI:https://doi.org/10.1109/ICCV.2015.346.
Xin He, Kaiyong Zhao, Xiaowen Chu. AutoML: A Survey of the State-of-the-Art. URL: https://arxiv.org/abs/1908.00709.
General least-squares smoothing and differentiation by the convolution (Savitzky-Golay) method. URL: https://pubs.acs.org/doi/pdf/10.1021/ac00205a007.
Sijin Li, Antoni B. Chan. 3D Human Pose Estimation from Monocular Images with Deep Convolutional Neural Network (ACCV 14). Asian Conference on Computer Vision. Springer, Cham, 2014. P. 332-347.
Ching-Hang Chen, Deva Ramanan: 3D Human Pose Estimation = 2D Pose Estimation + Matching. The 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR’17) : proceedings. ІЕЕЕ, Honolulu, HI, USA, 2017. DOI: 10.1109/CVPR.2017.610.
Dario Pavllo, Christoph Feichtenhofer, David Grangier, Michael Auli.3D human pose estimation in video with temporal convolutions and semi-supervised training. The 2019 IEEE Conference on Computer Vision and Pattern Recognition (CVPR’19) : proceedings. IEEE, 2019. P. 7753–7762.
Jan Smisek, Michal Jancosek, Tomas Pajdla. 3D with Kinect. Consumer Depth Cameras for Computer Vision. URL: https://link.springer.com/chapter/10.1007/978-1-4471-4640-7_1.
John D. Hunter. Matplotlib: A 2D Graphics Environment. Computing in Science & Engineering. IEEE, 2007. Vol. 9, Is. 3. P. 90-95. URL: https://ieeexplore.ieee.org/document/4160265. DOI: 10.1109/MCSE.2007.55.
Krizhevsky A., Sutskever I., Hinton G.E. Imagenet classification with deep convolutional neural networks. Communications of the ACM. 2017. 60(6). P. 84–90.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2020 Юлій Бройде
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
