Golfin ja pesäpallon lyönnin markkeriton liikkeenjäljitys RTMPose- ja RTMDet-malleilla: Ylhäältä alas -menetelmä

Golfin ja pesäpallon lyönnin markkeriton liikkeenjäljitys RTMPose- ja RTMDet-malleilla: Ylhäältä alas -menetelmä

Tiivistelmä

Tämä valkoinen paperi dokumentoi RTMPose- ja RTMDet-mallien soveltamista tarkkaan ja tehokkaaseen asennon estimointiin golfin ja pesäpallon lyönnit analysoitaessa. Hyödyntäen reaaliaikaisen suorituskyvyn kannalta optimoituja huippuluokan tekniikoita, nämä mallit mahdollistavat kehon liikkeiden yksityiskohtaisen jäljityksen golfin ja pesäpallon lyönnin aikana—kriittinen ominaisuus urheilun suoritusanalyysin parantamisessa. Korostamme ylhäältä alas -menetelmän etuja, jossa valmis RTMDet-ilmaisin tunnistaa golfarin ja pesäpallonpelaajan kussakin kuvassa ja RTMPose estimoi kehon keskeisten pisteiden sijainnit.

1. Johdanto

Asennon estimointi on tullut keskeiseksi urheilijoiden suoritusanalyysissä, mahdollistaen liikkeiden tarkan jäljityksen. Golfissa ja pesäpallossa pelaajan lyönnin biomekaniikan tietojen kerääminen antaa arvokkaita näkemyksiä lyönnin dynamiikasta, auttaen ammattilaisia ja harrastajia kehittämään tekniikoitaan. Perinteisillä 2D-asennon estimointimenetelmillä on usein viiveisyys- ja tarkkuusongelmia, erityisesti reaaliaikaiskenaarioissa. Tämä paperi ehdottaa ratkaisua käyttäen RTMPose- ja RTMDet-malleja MMPose-kehyksen sisällä yksityiskohtaiseen asennon estimointiin golfin ja pesäpallon lyönnin aikana.

2. Tausta

Golfin ja pesäpallon lyönnin monimutkaisuus vaatii kehon liikkeiden tarkkaa mittaamista. Olemassa olevat asennon estimointimenetelmät eivät välttämättä tarjoa reaaliaikaisen suorituskyvyn kannalta vaadittavaa tarkkuutta. Syvän oppimisen ja tietokoneen näköisen edistysaskeleet ovat tuoneet esille malleja kuten RTMPose ja RTMDet, jotka tarjoavat parannetun tarkkuuden ja tehokkuuden.

3. Ylhäältä alas -menetelmä RTMdet- ja RTMpose-malleilla

–lisää kuva–

3. RTMPose: Korkean suorituskyvyn asennon estimointimalli

RTMPose [1] on suunniteltu korkean suorituskyvyn reaaliaikaiseen asennon estimointiin, optimoitu toimimaan tehokkaasti rajoitetuilla laitteistoilla.

Pääominaisuudet:

Mallin arkkitehtuuri ja tehokkuus: RTMpose käyttää CSPNeXt-pohjaa [1, 2], tasapainottaen nopeutta ja tarkkuutta. CSPNeXt on optimoitu tiheälle ennustetehtäville kuten asennon estimointi ja objektintunnistus, tarjoten korkean resoluution ja tarkkuuden samalla säilyttäen laskennallisen tehokkuuden.

Avainpisteiden ennustaminen: Käyttää SimCC-pohjaista algoritmia [1, 3], käsitellen avainpisteiden vaaka- ja pystysuoria sijainteja erillisinä luokittelutehtävinä. Tämä kompakti esitystapa vähentää laskennallista kuormitusta ja sopii käyttöönotolle eri laitteilla.

4. RTMDet: Tunnistuksen selkäranka

RTMDet [4] toimii RTMPosea edeltävänä ilmaisimena ylhäältä alas -putkessa, tunnistaen golfarin tai pesäpallonpelaajan sijainnin kussakin kuvassa.

Pääominaisuudet:

Mallin arkkitehtuuri ja tehokkuus: RTMDet hyödyntää muunnettua CSPDarkNet-versiota [5], joka on koulutettavampi ja tarkempi kuin monet YOLO-mallit. Muunnettu versio hyödyntää suurikernelisia syvyyssuuntaisia konvoluutioita tasapainottamaan monimutkaisuutta ja nopeutta ja on tehokas sekä GPU:lla että CPU:lla. Se on ihanteellinen reaaliaikaissovelluksille, kuten urheilijoiden suoritusseurannalle.

Monipuolisuus: Käsittelee erilaisia objektintunnistustehtäviä, mukaan lukien instanssisegmentointi ja kierretty objektintunnistus. Varmistaa pelaajan tarkan paikallistamisen, vaikka dynaamisissa kuvissa.

5. RTMDet- ja RTMPose-mallien käytön edut golfin ja pesäpallon lyönnin analysoinnissa

5.1 Korkeampi tarkkuus harvassa kuvatuissa skenaarioissa

Tyypillisissä golf-/pesäpallo-asetuksissa, joissa kuvassa on vähän ihmisiä, RTMDet eristää golfarin/pesäpallonpelaajan, jolloin RTMPose voi käsitellä jokaisen havaitun henkilön korkean tarkkuuden kanssa. Tämä välttää alhaalta ylös -menetelmien monimutkaisuuden, jotka käsittelevät kaikkia avainpisteitä kaikille kuvassa olevalle henkilöille samanaikaisesti. Ylhäältä alas -menetelmä voi sisältää myös RTMdatin jälkikäsittelyalgoritmin, joka tunnistaa oikean henkilön (eli golfarin tai pesäpallonpelaajan) ennen asennon estimointia. Lisäksi RTMPose on esikoulutettu laajalle kuvamateriaaalille sisältäen

5.2 Tehokas laskenta ja reaaliaikainen suorituskyky

Kevyiden mallien, kuten RTMdet ja RTMpose, käyttö ylläpitää alhaisen viiveisyyden, mahdollistaen reaaliaikaisen lyönnin analyysin kuluttajatason laitteistoilla. Tämä on erityisen hyödyllistä välitöntä palautetta varten valmentamisen tai harjoitussessiossa. Swing Catalyst -markkeriton liikkeenjäljitysjärjestelmä on yksi harvista studiojärjestelmistä, jotka tarjoavat reaaliaikaisen liikkeenjäljityspalautteen golfareille ja pesäpallonpelaajille.

5.3 Yksityiskohtainen avainpisteiden analyysi

RTMPose havaitsee 26 kehon keskeisen pisteen asetuksen [6], joka näkyy alla olevassa kuvassa 1, välttämättöminä golfin ja pesäpallon lyönnin kinemaattisen analyysin kannalta. Halpe26 on laajennettu asetus, joka sisältää lisämerkitsijät jaloissa ja päässä verrattuna standardimpaan Coco-asetukseen, jossa on 17 merkitsijää.

–Lisää kuva–

6. Menetelmät golfin ja pesäpallon lyönnin markkeriton liikkeenjäljitykselle

6.1 Tunnistusvaihe: RTMDet

Kun sitä sovelletaan golfarin tai pesäpallonpelaajan videon kuviin, RTMDet tuottaa rajaavia suorakulmiota pelaajan ympärille, jotka välitetään RTMPoselle. Tämä kohdistaa asennon estimoinnin asiaankuuluviin kuva-alueisiin, vähentäen laskennallista kuormitusta.

–Lisää kuva–

6.2 Asennon estimointivaihe: RTMPose

RTMPose estimoi avainpisteiden sijainnit rajaavan suorakulmion sisällä. Kriittiset nivelet golfin ja pesäpallon lyönnin analysoinnissa sisältävät ranteen, kyynärpään, olkapään, lonkan ja polven. Nämä avainpisteet arvioivat kehon kulmia ja asentoja lyönnin vaiheissa: takasväi, laskuliike ja jatkeliike.

–Lisää kuva–

6.3 Suorituskyvyn mittarit

RTMPosen yleistä suorituskykyä mitataan mittareilla kuten keskimääräinen tarkkuus (AP) asennon estimoinnin vertailuissa kuten MS COCO. Alla on yleisesti käytetyn Coco-vertailun parhaiten sijoittuneiden mallien suorituskyky. MS COCO val -aineistolla RTMPose-X on parhaiten toimiva malli, joka pystyy tarjoamaan reaaliaikaista palautetta ja saavuttaa jopa 75,8 % AP:n kuluttajatason GPU:illa nopeuksilla, joissa FPS ylittää ??, mikä tekee siitä sopivan nopean urheilun analysoinnin kannalta.

Sijoitus Malli Resoluutio Koko/parametrit (milj.) AP Realiaikainen päätelmä

1 Sapiens-2B 1024x768 2000 82,2 Ei

2 Sapiens-1B 1024x768 1000 82,1 Ei

3 Sapiens-0.6B 1024x768 600 81,2 Ei

4 Sapiens-0.3B 1024x768 300 79.6 Ei

5 VitPose-H 256x192 632 79.4 Ei

6 RTMPose-X 384x288 49 78.8 Kyllä

7 VitPose-L 256x192 307 78.6 Ei

8 RTMPose-L 384x288 28 78.3 Kyllä

9 HRFormer 256x192 43 77.2 Ei

10 HRNet-UDP 384x288 64 77.2 Kyllä

11 VitPose-B 256x192 86 77.0 Kyllä

12 RTMPose-L 256x198 28 76.7 Kyllä

13 RTMPose-M 384x288 14 76.6 Kyllä

14 HRNet 384x288 64 76.3 Kyllä

15 VitPose-S 256x192 43 75.8 Kyllä

16 RTMPose-M 256x192 14 74.9 Kyllä

17 SimpleBaseline 256x192 60 73.5 Kyllä

18 FastPose 256x192 79 73.3 Kyllä

7. Soveltaminen golfin heilautusanalyysissä

Soveltamalla RTMPose-X ja RTMDet-M -kehikkoa:

Seuraa niveljä kuva-kuva-pohjalta: Tarjoaa kattavat tiedot heilautuksen jokaisen vaiheen analysoinnista.

Tarjoa reaaliaikaista palautetta: Mahdollistaa välittömät oivallukset heilautuksen asentoon ja tekniikkaan koulutusistuntojen aikana.

Vertaa ihanteellisiin mekaniikkaominaisuuksiin: Sallii vertailun ihanteellisiin liikkeenjäljitysominaisuuksiin parantamisen alueiden tunnistamiseksi.

8. Johtopäätös

RTMPose-X ja RTMDet-M -integraatio tarjoaa tehokkaan ratkaisun reaaliaikaiseen golfin heilautusanalyysiin. Korkean tarkkuuden, matalan viiveen ja yhteensopivuuden eri laitteistoalustoilla ansiosta tämä ylhäältä alas -lähestymistapa toimittaa yksityiskohtaisia oivalluksia heilautuksen mekaniikasta. Sillä on merkittävä potentiaali auttaa sekä amatööri- että ammattilaisia golfareja parantamaan heidän suorituskykyään.

9. Tulevaisuuden työ

Tulevat kehitystyöt voivat sisältää:

Koneoppimistekniikoiden integroiminen: Ennustavien analyytisten tietojen tarjoamiseksi ja ehdotusten antamiseksi heilautuksen tehokkuuden parantamiseen.

Laajentaminen usean henkilön skenaarioihin: Soveltuvuuden parantaminen joukkuelajeissa tai ryhmäkoulutusympäristöissä.

Käyttäjäystävällisen käyttöliittymän kehittäminen: Sovellusten tai työkalujen luominen, jotka tekevät tämän teknologian saavutettavaksi valmentajille ja urheilijoille ilman teknistä osaamista.

Liite

Yksityiskohtainen metodologia: Ylhäältä alas -lähestymistapa golfin heilautuksen asennon estimointiin käyttäen RTMPose-X ja RTMDet-M

Yleiskatsaus

Tässä kuvattu metodologia esittää yksityiskohtaiset vaiheet ylhäältä alas -lähestymistavalle golfin ja baseball-heilautuksen reaaliaikaisen asennon estimointiin hyödyntäen RTMPosen vahvuuksia avainpisteen lokalisoinnissa ja RTMDetin objektintunnistuksessa. Prosessi on jaettu useisiin vaiheisiin: tunnistus, avainpisteen lokalisointi ja jälkikäsittely, joista jokainen vaikuttaa kehon nivelten tarkkaan ja tehokkaaseen estimointiin golfin heilautuksessa biomekaniikan analysointia varten.

–Lisää kuva–

1. Tunnistusvaihe: reaaliaikainen lokalisointi RTMDet-M:llä

Ylhäältä alas -lähestymistavan ensimmäisessä vaiheessa golfarit tunnistetaan videon jokaisesta kuvasta. Urheilutilanteissa, erityisesti golfissa, skene koostuu yleensä yhdestä pelaajasta, mikä yksinkertaistaa tunnistustehtävää verrattuna väkijoukon skeneisiin.

1.1 Mallin arkkitehtuuri

RTMDet-M on käytetty objektintunnistimena putkessa. Se käyttää konvoluutioneuroverkko (CNN) runkoa, erityisesti CSPNeXt-runkoa, joka on suunniteltu optimoimaan reaaliaikaisen objektintunnistuksen suorituskykyä samalla kun tasapainotetaan nopeutta ja tarkkuutta. Arkkitehtuurin tärkeimmät näkökohdat ovat:

Suurten ytimien syvyys-viisas konvoluutiot: Näitä käytetään selkäranko- ja kaularangan kerroksissa, mikä lisää vastaanottokenttää samalla kun säilytetään matala laskennallinen kustannus.

Ominaisuuspyramidiverkko (FPN): Moniskaalainen ominaisuuksien poimimistekniikka, joka mahdollistaa objektien tunnistamisen eri mittakaavassa, varmistaen, että golfarit voidaan tunnistaa riippumatta heidän etäisyydestään kamerasta.

1.2 Dynaaminen tunnisteiden määritys

RTMDet-M hyödyntää dynaamista tunnisteiden määritysstrategiaa, joka parantaa tunnistustarkkuutta määrittämällä pehmeitä tunnnisteita objekteille luokittelun ja lokalisointihäviön yhdistelmän perusteella. Tunnisteiden määritystä ohjaa SimOTA-algoritmi, joka dynaamisesti valitsee positiiviset näytteet niiden vastaavuustodennäköisyyden perusteella maapohjan objektille. Tämä menetelmä varmistaa kestävän tunnistamisen vaihtelevissa valaistus- ja ympäristöolosuhteissa, joita esiintyy ulkoilmassa pelatussa golfissa.

1.3 Rajaavan suorakulmion ennustaminen

Tunnistin tuottaa rajaavia suorakulmioita, jotka sulkevat golfarit sisälleen jokaisessa kuvassa. Nämä rajaavat suorakulmiot tarjoavat spatiaalisia rajoitteita, joiden sisällä asennon estimointimalli toimii, mikä vähentää laskennallista kuormitusta myöhemmässä asennon estimointivaiheessa keskittymällä vain kehyksen oleellisiin alueisiin. Tässä yhteydessä RTMDet-M tuottaa rajaavia suorakulmioita reaaliajassa yli 300 FPS:n nopeudella korkean suorituskyvyn laitteistoissa, mikä varmistaa, että se voi seurata golflyönnin nopeita dynamiikkoja.

1.4 Henkilön Non-Maximum Suppression (NMS)

Monihenkilöisissä tilanteissa (vaikka harvinaiset golflönnin analyysissa) RTMDet-M sisältää pose Non-Maximum Suppression (NMS) -algoritmin, joka eliminoi redundantit avainpisteiden havainnot, varmistamalla, että vain luotettavimmat havainnot säilyvät jokaiselle henkilölle. Tämä on kriittistä tilanteissa, joissa päällekkäisiä rajaavia suorakulmioita saatetaan havaita ruuhkaisissa kohtauksissa tai videosarjoissa.

1.5 Harjoitusdataset ja suorituskyky

RTMDet-M on koulutettu binääristen luokittelutehtävien avulla henkilöesiintymiin Object356-datasetissa.

2. Asennon estimointivaihe: RTMPose-X avainpisteen lokalisointi

Kun golfarille on määritetty rajaava suorakulmio, seuraavassa vaiheessa estimoidaan keskeisten kehon nivelten tarkka sijainti tällä alueella. RTMPose-X, korkean suorituskyvyn asennon estimointimalli, käytetään tähän tarkoitukseen.

2.1 SimCC-pohjainen avainpisteen lokalisointi

RTMPose-X käyttää SimCC (Simple Coordinate Classification) -algoritmia, joka käsittelee avainpisteen lokalisointia luokitteluongelmana. Toisin kuin perinteiset lämpökartta-pohjaiset menetelmät, SimCC jakaa kunkin avainpisteen x- ja y-koordinaatit laskuihin ja luokittelee tarkan laskun, jossa kukin avainpiste sijaitsee. Tämä lähestymistapa vähentää merkittävästi laskennallista monimutkaisuutta ja parantaa päättelynopeus samalla säilyttäen korkean tarkkuuden ihmisen asennon estimointitehtävissä.

2.2 CSPNeXt-runko

Samoin kuin RTMDet-M, RTMPose-X käyttää myös CSPNeXt-runkoa, joka on räätälöity tiheisiin ennustaustehtäviin, kuten asennon estimointiin. CSPNeXt-runko on hyödyllinen tässä tilanteessa seuraavista syistä:

Kevyt arkkitehtuuri: Mallin arkkitehtuuri on suunniteltu minimoimaan parametrien määrä samalla maksimoimaan tuotantona, mikä tekee siitä ihanteellisen reaaliaikaisen sovellusten kannalta.

Tehokas piirteiden poimiminen: CSPNeXt:n piirteiden poimimiskerrokset on optimoitu korkean resoluution kuvien käsittelyyn, mikä on ratkaisevan tärkeää pienien yksityiskohtien havaitsemisessa nopeasti liikkuvissa kehon osissa golflyönnin aikana, kuten ranteissa, kyynärpäissä ja polvissa.

2.3 Avainpisteen esitys

RTMPose-X tuottaa avainpisteen sijainnit kaikille oleellisille kehon osille, mukaan lukien:

Yläkehon nivelet: olkapäät, kyynärpäät, rannet ja niska

Alakehon nivelet: lonkat, polvet ja nilkat

Lisänivet: pää, selkäranka ja muut lyönnin analyysille oleelliset avainpisteet

384x288 resoluutio syötekuville varmistaa, että jopa hienovaraiset nivelten liikkeet voidaan havaita tarkasti, samalla säilyttäen järjestelmän kyvyn toimia reaaliajassa.

2.4 RTMPose-esikäsittely: puolueeton datakäsittely (UDP)

Ennen kuin leikattu kuva syötetään RTMpose-malliin, suoritetaan puolueeton datakäsittely (UDP) -vaihe. UDP käsittelee kriittisiä vääristymiä RTMpose-datakäsittelyssä harjoittelun ja testauksen aikana, erityisesti koordinaatiston ja avainpisteen muodon muunnoksissa. Perinteisessä ihmisen asennon estimointijohtoketjussa vakioperaatiot, kuten kääntäminen ja koon muuttaminen, usein virheasentavat tulokset, erityisesti pikselipohjaisiin muunnoksiin johtuen, mikä johtaa tarkkuuden menetykseen ja käännettyjen kuvien epäjärjestykseen. UDP korjaa nämä perustamalla puolueettoman koordinaatiston muunnoksen, säilyttäen semanttisen linjauksen eri koordinaattiavaruuksien välillä välttämättömissä operaatioissa (rajaus, koon muuttaminen, kierto, kääntäminen). UDP ottaa myös käyttöön puolueettoman avainpisteen muodon muunnoksen koodaamalla avainpisteet lämpökartoiksi ilman sijaintivääristymää, jota jatketaan Gaussin jakaumaan perustuvan dekoodausprosessin avulla. Tämä datakäsittelylähestymistapa parantaa järjestelmällisesti mallin suorituskykyä, kuten laajat COCO- ja CrowdPose-datasettien testit osoittavat, joissa se saavutti parannetun tarkkuuden ja pienentyneen päättelyviiveen ylhäältä alas ja alhaalta ylöspäin -malleissa [Ref].

3. Jälkikäsittely ja asennon parantaminen

Kun avainpisteet on ennustettu, useita jälkikäsittelyvaiheita sovelletaan asennon estimoinnin jalostamiseen ja vakauden varmistamiseen kuvien yli.

3.1 Asennon tasoitus

Golflyönnit sisältävät nopeita liikkeitä, jotka voivat tuoda kohinaa tai vaihtelua arvioiduissa avainpisteen sijainnissa kuvien poikki. Tämän vähentämiseksi One-Euro-suodin sovelletaan avainpisteen ratojen tasoittamiseen ajan kuluessa, varmistamalla, että pienet, ei-fyysikaalliset vaihtelut avainpisteen ennusteissa poistetaan. One-Euro-suodin toimii säätämällä suotimen kaistanleveyttä dynaamisesti liikkeen nopeuden perusteella, mikä on ihanteellista skenaarioille, kuten golflyönnille, joissa liikkeen nopeus vaihtelee merkittävästi eri vaiheissa (takasväi, laskuliike ja jatkeliike).

3.2 Kuvien ohitusmekanismi

Lisäoptimointiin toteutetaan kuvien ohitusmekanismi, jossa tunnistaminen suoritetaan vain avainruuduissa ja asennon estimointi interpoloidaan välikuviin. Tämä vähentää dramaattisesti laskennallista kuormitusta uhraamatta tarkkuutta tilanteissa, joissa on rajoitettu liike kuvien välillä, kuten golflyönnin hidastettaun analyysi.

4. Ajallinen seuranta ja sarjan johdonmukaisuus

Koska golflyönnit ovat luontaisesti peräkkäisiä, ajallisen johdonmukaisuuden ylläpitäminen asennon estimoinnissa on elintärkeää. RTMPose-X käsittelee tätä ajallisen seurannnan tekniikoiden avulla, jotka varmistävat, että avainpisteen ennusteet ovat johdonmukaisia peräkkäisten kuvien välillä. Tämä sisältää avainpisteen sijainnin seuraamisen ajan kuluessa ja varmistamisen, että niiden radat noudattavat realistisia liikemalleja biomekaanisten rajoitusten perusteella.

4.1 Avainpisteen nopeus ja kiihtyvyys analyysi

Avainpisteen sijainnin seuraamisen lisäksi RTMPose-X estimoi myös kunkin avainpisteen nopeuden ja kiihtyvyyden. Nämä tiedot ovat kriittisiä golflyönnin dynamiikan analysoinnille, tarjoamalla oivallusta keskeisiin suorituskyvyn mittareihin, kuten:

Heilautuksen nopeus: Laskettu ranteen nopeuden perusteella laskuliikkeen aikana.

Lonkan kierto: Analysoitu lonkkaniveleiden kiertymisnopeuteen perusteella.

Mailanrata ja pään nopeus: Pääteltävä epäsuorasti ranteen ja kyynärpään ratojen perusteella.

Nämä mittarit voidaan verrata ammattilaisten vertailuarvoihin antamaan palautetta pelaajan lyönnin mekaniikasta.

5. Päättely ja reaaliaikaisuus

Koko ylhäältä alas -johtoketju on optimoitu reaaliaikasuoritukselle, mikä mahdollistaa asennon estimoinnin yli 90 FPS:n nopeudella nykyaikaisilla GPU:illa. Erittäin tehokkaiden malliarkitektuurien (CSPNeXt) ja nopeiden päättelytekniikkojen (SimCC) käyttö varmistaa, että järjestelmä voi käsitellä korkean kuvataajuisen videotulokkeen, mikä tekee siitä sopivan reaaliaikapalautteelle harjoitusistuntojen aikana.

6. Arviointi ja validointi

RTMPose-X ja RTMDet-M -mallit arvioidaan vakiodataseteissa, kuten COCO ja MPII, ja ne osoittavat vahvaa suorituskykyä keskimääräisellä tarkkuudella (AP) 75,8 % COCO-datasetissa kehon avainpisteille. Nämä tulokset validoidaan pohjimmaisiin merkintöihin golflyönnin dataseteissa, varmistamalla mallin robustisuuden dynaamisten urheilun liikkeiden kaappamisessa.

6.1 Suorituskyvyn mittarit

Mean Squared Error (MSE): Käytetään avainpisteiden ennusteiden tarkkuuden kvantifiointiin verrattuna perusmittauksiin.

Average Precision (AP): Arvioi asennon estimointimallin kokonaiskehitystä.

Kehys käsittelyaika: Vertailumittaus, joka varmistaa, että järjestelmä täyttää reaaliaikavaatimukset (<10 ms kehystä kohden).

7. Päätelmä

Ylhäältä alas -menetelmä käyttäen RTMPose-X ja RTMDet-M tarjoaa tehokkaan ja tarkan menetelmän reaaliaikaiseen asennon estimointiin urheiluanalytiikassa, erityisesti golfin heilautusanalyysissä. Robustin avainpisteentunnistuksen, ajallisen seurannan ja reaaliaikaisen päättelyn avulla tämä metodologia tarjoaa yksityiskohtaisia biomekaniikan näkemyksiä golfiheilautuksen dynamiikkaan, mikä auttaa suorituskyvyn parantamisessa ja loukkaantumisten ehkäisyssä.

Viitteet

[1] RTMpose https://arxiv.org/pdf/2303.07399

[2] CSPNeXt https://www.sciencedirect.com/science/article/pii/S0952197624000447

[3] SIMCC https://arxiv.org/abs/2107.03332

[4] RTMdet https://arxiv.org/pdf/2212.07784

[5] CSPDarkNet

[6] Halpe26

[] AI challenge dataset:

[] MS Coco dataset:

[7] Crowdpose dataset: https://arxiv.org/pdf/1812.00324

[] MPII dataset:

[] sub-JHMBD dataset: