論文の概要: Domain Knowledge-Informed Self-Supervised Representations for Workout Form Assessment

• arxiv url: http://arxiv.org/abs/2202.14019v1
• Date: Mon, 28 Feb 2022 18:40:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-01 14:46:01.533716
• Title: Domain Knowledge-Informed Self-Supervised Representations for Workout Form Assessment
• Title（参考訳）: ワークアウト形式評価のためのドメイン知識インフォームドセルフスーパービジョン表現
• Authors: Paritosh Parmar, Amol Gharat, Helge Rhodin
• Abstract要約: ラベルのないサンプルから運動特異的表現を学習することを提案する。 特に、ドメイン知識に基づく自己教師型アプローチでは、運動動作の調和運動を利用する。 自己教師型表現は,既成の2次元および3次元の配置推定器よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 12.040334568268445
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Maintaining proper form while exercising is important for preventing injuries and maximizing muscle mass gains. While fitness apps are becoming popular, they lack the functionality to detect errors in workout form. Detecting such errors naturally requires estimating users' body pose. However, off-the-shelf pose estimators struggle to perform well on the videos recorded in gym scenarios due to factors such as camera angles, occlusion from gym equipment, illumination, and clothing. To aggravate the problem, the errors to be detected in the workouts are very subtle. To that end, we propose to learn exercise-specific representations from unlabeled samples such that a small dataset annotated by experts suffices for supervised error detection. In particular, our domain knowledge-informed self-supervised approaches exploit the harmonic motion of the exercise actions, and capitalize on the large variances in camera angles, clothes, and illumination to learn powerful representations. To facilitate our self-supervised pretraining, and supervised finetuning, we curated a new exercise dataset, Fitness-AQA, comprising of three exercises: BackSquat, BarbellRow, and OverheadPress. It has been annotated by expert trainers for multiple crucial and typically occurring exercise errors. Experimental results show that our self-supervised representations outperform off-the-shelf 2D- and 3D-pose estimators and several other baselines.
• Abstract（参考訳）: 運動中の適切な形態を維持することは、怪我を予防し、筋肉の質量増加を最大化するために重要である。 フィットネスアプリは人気があるが、ワークアウトフォームのエラーを検出する機能が欠けている。 このようなエラーを検出するには,ユーザの体位を推定する必要がある。 しかし、カメラアングル、体育館の機器からの排除、照明、衣服などの要因により、体育館のシナリオで録画されたビデオの撮影に苦労している。 問題を悪化させるために、ワークアウトで検出するエラーは非常に微妙です。 そこで本稿では,専門家が注釈付けした小さなデータセットを教師付きエラー検出に役立てるように,ラベルのないサンプルから演習固有の表現を学習することを提案する。 特に,我々のドメイン知識が有する自己教師付きアプローチは,運動行動の調和運動を利用し,カメラアングル,服,照明の大きなばらつきを活かし,強力な表現を学習する。 自己教師付き事前トレーニングと教師付き微調整を容易にするために、backsquat、barbellrow、overheadpressという3つのエクササイズデータセット、fitness-aqaをキュレーションしました。 専門家のトレーナーは、複数の重要かつ典型的なエクササイズエラーについて注釈を付けている。 実験結果から, 自己教師による表現は, 既成の2D-および3D-目的推定器や, その他のベースラインよりも優れていた。

関連論文リスト

• Generalization of Fitness Exercise Recognition from Doppler Measurements by Domain-adaption and Few-Shot Learning [12.238586191793997]
  以前の研究では、未修正の市販オフザシェルフスマートフォンを使用して、全身運動を認識するモバイルアプリケーションを開発した。 このような実験室環境のトレーニングされたモデルを現実的なアプリケーションのバリエーションに適用することは、パフォーマンスを著しく低下させます。 本稿では、フィットネスエクササイズの制御および制御されていないサブセットを持つデータベースを提案する。
  論文  参考訳（メタデータ） (2023-11-20T16:40:48Z)
• Balance, Imbalance, and Rebalance: Understanding Robust Overfitting from a Minimax Game Perspective [80.51463286812314]
  敵対的訓練(AT)はおそらく、頑健な特徴を抽出するための最先端のアルゴリズムである。 ATは、特に学習率(LR)が崩壊した後、深刻な強固な過適合問題に悩まされる。 我々は, LR崩壊が, より強い記憶能力でトレーナーに力を与えることにより, ミニマックスゲーム間のバランスを損なうことを示す。
  論文  参考訳（メタデータ） (2023-10-30T09:00:11Z)
• Using Learnable Physics for Real-Time Exercise Form Recommendations [2.1548132286330453]
  本稿では,エクササイズ手法の問題点を診断し,修正レコメンデーションを提供するアルゴリズムパイプラインを提案する。 我々は、ポーズ認識にMediaPipeを使用し、ピークプロミネンス検出による反復数をカウントし、学習可能な物理シミュレータを用いて動きの進化を追跡する。
  論文  参考訳（メタデータ） (2023-10-11T06:11:11Z)
• 3D Pose Based Feedback for Physical Exercises [87.35086507661227]
  ユーザが犯した誤りを識別する学習ベースのフレームワークを導入する。 私たちのフレームワークはハードコードされたルールに頼るのではなく、データからそれらを学ぶのです。 提案手法は90.9%の誤り識別精度を示し,94.2%の誤り訂正に成功した。
  論文  参考訳（メタデータ） (2022-08-05T16:15:02Z)
• On Triangulation as a Form of Self-Supervision for 3D Human Pose Estimation [57.766049538913926]
  ラベル付きデータが豊富である場合, 単一画像からの3次元ポーズ推定に対する改良されたアプローチは, 極めて効果的である。 最近の注目の多くは、セミと(あるいは)弱い教師付き学習に移行している。 本稿では,多視点の幾何学的制約を,識別可能な三角測量を用いて課し,ラベルがない場合の自己監督の形式として用いることを提案する。
  論文  参考訳（メタデータ） (2022-03-29T19:11:54Z)
• PoseTriplet: Co-evolving 3D Human Pose Estimation, Imitation, and Hallucination under Self-supervision [102.48681650013698]
  既存の自己監督型3次元ポーズ推定スキームは、学習を導くための弱い監督に大きく依存している。 そこで我々は,2D-3Dのポーズペアを明示的に生成し,監督を増強する,新しい自己監督手法を提案する。 これは、ポーズ推定器とポーズ幻覚器を併用して学習する強化学習ベースの模倣器を導入することで可能となる。
  論文  参考訳（メタデータ） (2022-03-29T14:45:53Z)
• Deep Learning for Fitness [0.0]
  フィットネス・チューター(Fitness tutor)は、運動中やヨガを行うときに、正しい姿勢を維持するための応用である。 ロボット手術のような医療革新にインスパイアされた我々は、ポーズ推定を用いてワークアウトをガイドできる新しいアプリケーションFitnessチューターを設計する。
  論文  参考訳（メタデータ） (2021-09-03T08:42:07Z)
• Kinematic-Structure-Preserved Representation for Unsupervised 3D Human Pose Estimation [58.72192168935338]
  大規模インスタディオデータセットの監視を用いて開発された人間のポーズ推定モデルの一般化可能性については疑問が残る。 本稿では,2対あるいは2対の弱い監督者によって抑制されない,新しいキネマティック構造保存型非教師付き3次元ポーズ推定フレームワークを提案する。 提案モデルでは,前方運動学,カメラ投影,空間マップ変換という3つの連続的な微分可能変換を用いる。
  論文  参考訳（メタデータ） (2020-06-24T23:56:33Z)
• Pose Trainer: Correcting Exercise Posture using Pose Estimation [7.005458308454871]
  Pose Trainerは、ユーザのエクササイズポーズを検出し、ユーザがフォームをどのように改善できるかについて、パーソナライズされた詳細なレコメンデーションを提供するアプリケーションである。 個人的トレーニングガイドラインに基づいて、100以上のエクササイズビデオのデータセットを記録し、幾何学的ヒューリスティックな機械学習アルゴリズムを構築して評価する。
  論文  参考訳（メタデータ） (2020-06-21T05:51:37Z)
• Human Motion Transfer from Poses in the Wild [61.6016458288803]
  人間の動き伝達の問題に対処し、基準映像からの動きを模倣する対象人物のための新しい動き映像を合成する。 推定ポーズを用いて2つのドメインをブリッジするビデオ間翻訳タスクである。 トレーニング中に見つからない線内ポーズシーケンスであっても、時間的に一貫性のある高品質なビデオを生成するための新しいポーズ・ツー・ビデオ翻訳フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-07T05:59:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。