論文の概要: MAAIG: Motion Analysis And Instruction Generation
- arxiv url: http://arxiv.org/abs/2311.00980v1
- Date: Thu, 2 Nov 2023 03:53:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-03 14:51:11.225732
- Title: MAAIG: Motion Analysis And Instruction Generation
- Title(参考訳): MAAIG:モーション分析とインストラクション生成
- Authors: Wei-Hsin Yeh, Pei Hsin Lin, Yu-An Su, Wen Hsiang Cheng, Lun-Wei Ku
- Abstract要約: 多くの人が自宅で自己指導型スポーツトレーニングに従事しているが、プロのコーチのリアルタイム指導は欠如している。
我々はMAAIGと呼ばれる新しいアプリケーションフレームワークを提案する。
ユーザーが提供したスポーツアクションビデオに基づいて、フレーム毎に埋め込みベクターを生成することができる。
- 参考スコア(独自算出の注目度): 10.330867429217362
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many people engage in self-directed sports training at home but lack the
real-time guidance of professional coaches, making them susceptible to injuries
or the development of incorrect habits. In this paper, we propose a novel
application framework called MAAIG(Motion Analysis And Instruction Generation).
It can generate embedding vectors for each frame based on user-provided sports
action videos. These embedding vectors are associated with the 3D skeleton of
each frame and are further input into a pretrained T5 model. Ultimately, our
model utilizes this information to generate specific sports instructions. It
has the capability to identify potential issues and provide real-time guidance
in a manner akin to professional coaches, helping users improve their sports
skills and avoid injuries.
- Abstract(参考訳): 多くの人は自宅で自発的なスポーツトレーニングを行っているが、プロコーチのリアルタイム指導が欠如しており、怪我や不適切な習慣の発達の影響を受けやすい。
本稿では,MAAIG(Motion Analysis And Instruction Generation)と呼ばれる新しいアプリケーションフレームワークを提案する。
ユーザーが提供するスポーツアクションビデオに基づいて、フレーム毎に埋め込みベクターを生成することができる。
これらの埋め込みベクトルは各フレームの3Dスケルトンに関連付けられ、事前訓練されたT5モデルにさらに入力される。
最終的に、我々のモデルは、この情報を利用して特定のスポーツ指示を生成する。
潜在的な問題を特定し、プロコーチに似た方法でリアルタイムのガイダンスを提供する能力があり、ユーザーがスポーツスキルを改善し、怪我を避けるのに役立つ。
関連論文リスト
- WANDR: Intention-guided Human Motion Generation [67.07028110459787]
我々は,アバターの初期ポーズとゴールの3D位置を取り,ゴール位置にエンドエフェクタ(抵抗)を配置する自然な人間の動きを生成するデータ駆動モデルであるWADRを紹介する。
インテンションはエージェントをゴールに誘導し、サブゴールやモーションパス全体を定義することなく、新しい状況にインタラクティブに世代を適応させる。
提案手法を広範に評価し,3次元目標に到達した自然および長期の動作と,見当たらない目標位置を生成できることを実証する。
論文 参考訳(メタデータ) (2024-04-23T10:20:17Z) - SportsNGEN: Sustained Generation of Multi-player Sports Gameplay [19.80390059667457]
本研究では,トランスフォーマーデコーダをベースとしたSportsNGENモデルを提案する。
本研究では,プロテニス追跡データの大規模データベース上でSportsNGENを訓練し,評価する。
さらに、SportsNGENの汎用バージョンは、そのプレイヤーを含むマッチデータを微調整することで、特定のプレイヤーにカスタマイズすることができる。
論文 参考訳(メタデータ) (2024-02-10T01:16:21Z) - Physics-based Motion Retargeting from Sparse Inputs [73.94570049637717]
商用AR/VR製品はヘッドセットとコントローラーのみで構成されており、ユーザーのポーズのセンサーデータは非常に限られている。
本研究では, 多様な形態のキャラクタに対して, 粗い人間のセンサデータからリアルタイムに動きをターゲットする手法を提案する。
アバターのポーズは、下半身のセンサー情報がないにもかかわらず、驚くほどよくユーザと一致していることを示す。
論文 参考訳(メタデータ) (2023-07-04T21:57:05Z) - Understanding why shooters shoot -- An AI-powered engine for basketball
performance profiling [70.54015529131325]
バスケットボールは、プレイスタイルやゲームダイナミクスなど、多くの変数によって規定されている。
パフォーマンスプロファイルが様々なプレイスタイルを反映できることは重要です。
プレイヤのパフォーマンスプロファイルをタイムリーに可視化するツールを提案する。
論文 参考訳(メタデータ) (2023-03-17T01:13:18Z) - Fast and Robust Video-Based Exercise Classification via Body Pose
Tracking and Scalable Multivariate Time Series Classifiers [13.561233730881279]
本稿では,ビデオを用いたS&C演習の分類の応用について述べる。
そこで本研究では,BodyMTSという手法を用いて,映像を時系列に変換する手法を提案する。
その結果,BodyMTSの平均精度は87%であり,これはヒトドメインの専門家の精度よりも有意に高いことがわかった。
論文 参考訳(メタデータ) (2022-10-02T13:03:38Z) - A Survey on Video Action Recognition in Sports: Datasets, Methods and
Applications [60.3327085463545]
本稿では,スポーツ分析のための映像行動認識に関する調査を行う。
サッカー、バスケットボール、バレーボール、ホッケー、フィギュアスケート、体操、卓球、ダイビング、バドミントンなど10種以上のスポーツを紹介します。
本研究では,サッカー,バスケットボール,卓球,フィギュアスケート動作認識をサポートするPaddlePaddleを用いたツールボックスを開発した。
論文 参考訳(メタデータ) (2022-06-02T13:19:36Z) - Learning to Run with Potential-Based Reward Shaping and Demonstrations
from Video Data [70.540936204654]
「走ることを学ぶ」競技は、二本足のヒューマノイドボディを最高速度で模擬レースコースで走るように訓練することであった。
すべての提出者は、強化学習(RL)へのタブラララサアプローチを採り入れ、比較的速いが最適な実行動作は得られなかった。
本研究では,人間のランニング映像から得られるデータを用いて,ヒューマノイド学習エージェントの報酬を形成できることを示す。
論文 参考訳(メタデータ) (2020-12-16T09:46:58Z) - AI-enabled Prediction of eSports Player Performance Using the Data from
Heterogeneous Sensors [12.071865017583502]
我々は,センサのデータのみを用いて,eSportsプレーヤーのゲーム内パフォーマンスを予測する人工知能(AI)対応ソリューションについて報告する。
リカレントニューラルネットワークを用いて、マルチプレイヤーゲームにおけるゲームログから、各モーメント毎のプレイヤー性能を評価する。
提案するソリューションはプロのeスポーツチームやアマチュア選手のための学習ツールに多くの有望な応用がある。
論文 参考訳(メタデータ) (2020-12-07T07:31:53Z) - A New Action Recognition Framework for Video Highlights Summarization in
Sporting Events [9.870478438166288]
YOLO-v3とOpenPoseという2つの古典的オープンソース構造に基づく3レベル予測アルゴリズムを用いて,スポーツビデオストリームを自動的にクリップするフレームワークを提案する。
その結果,スポーツ映像のトレーニングデータを用いて,スポーツ活動のハイライトを正確に行うことができることがわかった。
論文 参考訳(メタデータ) (2020-12-01T04:14:40Z) - Contact and Human Dynamics from Monocular Video [73.47466545178396]
既存のディープモデルは、ほぼ正確に見えるエラーを含むビデオから2Dと3Dキネマティックのポーズを予測する。
本稿では,最初の2次元と3次元のポーズ推定を入力として,映像系列から3次元の人間の動きを推定する物理に基づく手法を提案する。
論文 参考訳(メタデータ) (2020-07-22T21:09:11Z) - 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)
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。