Применение нейросетей глубокого обучения для детектирования пространственных ключевых точек при выполнении спортивных упражнений

Аннотация


Рассматривается применение нейронных сетей для детектирования пространственных ключевых точек человека при выполнении спортивных упражнений. Технология детекции ключевых точек позволяет отслеживать движения спортсменов в реальном времени, проводить глубокий анализ их техники и автоматизировать выполнение упражнений. Это помогает тренерам выявлять слабые места и совершенствовать навыки спортсменов. Основное внимание уделено методам 2D- и 3D-детекции ключевых точек, их применению в спорте и анализу эффективности. Приводятся результаты 3D-детекции ключевых точек для спортсмена выполняющего упражнение.

Полный текст

5

Об авторах

А. Д Терехин

Пермский национальный исследовательский политехнический университет

С. А Федосеев

Пермский национальный исследовательский политехнический университет

В. Ю Столбов

Пермский национальный исследовательский политехнический университет

Список литературы

  1. Self-Supervised Learning for Human Pose Estimation in Sports / K. Ludwig, S. Scherer, M. Einfalt, R. Lienhart // International Conference on Multimedia & Expo Workshops. – 2021. doi: 10.1109/ICMEW53276.2021.9456000
  2. SportsPose – A Dynamic 3D sports pose dataset / C. Ingwersen, C. Moller Mikkelstrup, J. Jensen, M. Rieger Hannemose, A. Dahl // Conference on Computer Vision and Pattern Recognition Workshops. – 2023. doi: 10.1109/CVPRW59228.2023.00550
  3. Athlete Pose Detection Using OpenCV in Deep Learning [Электронный ресурс]. – URL: https://medium.com/swlh/athlete-pose-detection-3d1b93f2d82e (дата обращения: 20.05.2024).
  4. Realtime Multi-person 2D Pose Estimation Using Part Affinity Fields / Z. Cao, T. Simon, S. Wei, Y. Sheikh // Conference on Computer Vision and Pattern Recognition. – 2017. doi: 10.1109/CVPR.2017.143
  5. Deep High-Resolution Representation Learning for Human Pose Estimation / K. Sun, B. Xiao, D. Liu, J. Wang // Conference on Computer Vision and Pattern Recognition. – 2019. doi: 10.1109/CVPR.2019.00584
  6. Microsoft COCO: Common Objects in Context [Электронный ресурс] / Tsung-Yi Lin, Michael Maire, Serge Belongie, Lubomir Bourdev, Ross Girshick, James Hays, Pietro Perona, Deva Ramanan, C. Lawrence Zitnick, Piotr Dollár. – URL: https://arxiv.org/abs/1405.0312 (дата обращения: 05.05.2024).
  7. D Human Pose Estimation: New Benchmark and State of the Art Analysis / M. An-driluka, L. Pishchulin, P. Gehler, S. Bernt // Conference on Computer Vision and Pattern Recognition. – 2014. doi: 10.1109/CVPR.2014.471
  8. Серов, С.С. Метод распознавания игровых поз спортсменов на видео на основе траекторий перемещения и скелетных представлений / С.С. Серов, Д.Р. Пойчанов, Г.И. Афанасьев // Физико-техническая информатика: сборник трудов конференции. – Пущино, 2022. – С. 170–172.
  9. Action Recognition and Sports Evaluation of Running Pose Based on Pose Estimation / Y. Yang, Y. Zeng, L. Yang, Y. Lu, X. Lee, Y. Enomoto // International Journal of Human Movement and Sports Sciences. – 2024. doi: 10.13189/saj.2024.120118
  10. Pose estimation and motion analysis of ski jumpers based on ECA-HRNet / W. Bao, T. Niu, N. Wang, X. Yang // Scientific Reports. – 2023. doi: 10.1038/s41598-023-32893-x
  11. Терехин, А.Д. Система оценивания спортивных упражнений по нейросетевому анализу видеоряда / А.Д. Терехин, О.Р. Ильялов, А.В. Степанов // Прикладная математика и вопросы управления = Applied Mathematics and Control Sciences. – 2022. – № 1. – С. 75–86. doi: 10.15593/2499-9873/2022.1.04
  12. Osokin, D. Real-time 2D Multi-Person Pose Estimation on CPU: Lightweight OpenPose [Электронный ресурс] / D. Osokin. – URL: https://arxiv.org/abs/1811.12004 (дата обращения: 29.04.2024).
  13. Mehraban, S. MotionAGFormer: Enhancing 3D Human Pose Estimation with a Transformer-GCNFormer Network / S. Mehraban, V. Adeli, B. Taati // Winter Conference on Applications of Computer Vision. – 2024. doi: 10.1109/WACV57701.2024.00677
  14. Chun, S. Representation learning of vertex heatmaps for 3D human mesh reconstruction from multi-view images [Электронный ресурс] / S. Chun, S. Park, J. Yong Chang. – URL: https://arxiv.org/pdf/2306.16615v1.pdf (дата обращения: 29.04.2024).
  15. D human pose estimation with spatial and temporal transformers / C. Zheng, S. Zhu, M. Mendieta, T. Yang, C. Chen, Z. Ding // International Conference on Computer Vision. – 2021. doi: 10.1109/ICCV48922.2021.01145
  16. Human 3.6M: Large Scale Datasets and Predictive Methods for 3D Human Sensing in Natural Environments / C. Ionescu, D. Papava, V. Olaru, C. Sminchisescu // Transactions on Pattern Analysis and Machine Intelligence. – 2014. doi: 10.1109/TPAMI.2013.248
  17. Monocular 3D Human Pose Estimation in the Wild Using Improved CNN Supervision / D. Mehta, H. Rhodin, D. Casas, P. Fua, O. Sotnychenko, W. Xu, C. Theobalt // International Conference on 3D Vision (3DV). – 2017. doi: 10.1109/3DV.2017.00064
  18. Vision-based Pose Estimation for Augmented Reality: A Comparison Study [Электронный ресурс] / H. Belghit, A. Bellarbi, N. Zenati-Henda, S. Otmane. – URL: https://arxiv.org/pdf/1806.09316 (дата обращения: 29.04.2024).
  19. Baumgartner, T. Monocular 3D Human Pose Estimation for Sports Broadcasts using Partial Sports Field Registration / T. Baumgartner, S. Klatt // Conference on Computer Vision and Pattern Recognition Workshops. – 2023. doi: 10.1109/CVPRW59228.2023.00539

Статистика

Просмотры

Аннотация - 6

PDF (Russian) - 1

Ссылки

  • Ссылки не определены.

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах