論文の概要: Board-to-Board: Evaluating Moonboard Grade Prediction Generalization

• arxiv url: http://arxiv.org/abs/2311.12419v1
• Date: Tue, 21 Nov 2023 08:16:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 01:45:32.036403
• Title: Board-to-Board: Evaluating Moonboard Grade Prediction Generalization
• Title（参考訳）: ボードツーボード:月面グレード予測の一般化の評価
• Authors: Daniel Petashvili and Matthew Rodda
• Abstract要約: ボルダリング(Bouldering)とは、選手がルートと呼ばれる一組のホールドを使って障害物を登ろうとするスポーツである。 登山者の技術的および物理的特性の変化と、個々のルートの多くのニュアンスにより、グラデーションは難しく、しばしばバイアスのある作業となる。 2016年と2017年と2019年のMoonboardデータセットに、古典的およびディープラーニングのモデリング技術を適用します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bouldering is a sport where athletes aim to climb up an obstacle using a set of defined holds called a route. Typically routes are assigned a grade to inform climbers of its difficulty and allow them to more easily track their progression. However, the variation in individual climbers technical and physical attributes and many nuances of an individual route make grading a difficult and often biased task. In this work, we apply classical and deep-learning modelling techniques to the 2016, 2017 and 2019 Moonboard datasets, achieving state of the art grade prediction performance with 0.87 MAE and 1.12 RMSE. We achieve this performance on a feature-set that does not require decomposing routes into individual moves, which is a method common in literature and introduces bias. We also demonstrate the generalization capability of this model between editions and introduce a novel vision-based method of grade prediction. While the generalization performance of these techniques is below human level performance currently, we propose these methods as a basis for future work. Such a tool could be implemented in pre-existing mobile applications and would allow climbers to better track their progress and assess new routes with reduced bias.
• Abstract（参考訳）: ボルダリング(Bouldering)とは、選手がルートと呼ばれる一組のホールドを使って障害物を登ろうとするスポーツである。 通常は、登山者にその困難を知らせ、その進行をより容易に追跡できるように、勾配が割り当てられる。 しかしながら、個々の登山者の技術的・物理的特性や個々のルートの多くのニュアンスの変化は、グレーディングを困難でしばしば偏りのあるタスクにする。 本研究では,2016年と2017年と2019年のMoonboardデータセットに古典的およびディープラーニングのモデリング技術を適用し,0.87 MAEと1.12 RMSEのアートグレード予測性能を達成する。 この性能は,個々の動作に経路を分解する必要のない機能セットで実現し,文献に共通する手法であり,バイアスを生じさせる。 また,本モデルの一般化可能性を示すとともに,新しい視覚に基づく評価手法を提案する。 現在,これらの手法の一般化性能は人間レベルの性能を下回っているが,今後の研究の基盤としてこれらの手法を提案する。 このようなツールは既存のモバイルアプリケーションで実装でき、登山者が進捗を追跡し、バイアスを減らして新しいルートを評価することができる。

関連論文リスト

• Learning Humanoid Locomotion over Challenging Terrain [84.35038297708485]
  本研究では,自然と人為的な地形を横断する視覚障害者の移動に対する学習に基づくアプローチを提案する。 本モデルではまず, 時系列モデルを用いた平地軌道のデータセット上で事前学習を行い, 補強学習を用いて不均一な地形を微調整する。 本研究では, 荒面, 変形面, 傾斜面など, 様々な地形にまたがる実際のヒューマノイドロボットを用いて, モデルを評価する。
  論文  参考訳（メタデータ） (2024-10-04T17:57:09Z)
• Annealed Winner-Takes-All for Motion Forecasting [48.200282332176094]
  本稿では,AWTAの損失を最先端のモーション予測モデルと統合して性能を向上させる方法を示す。 我々の手法は、WTAを用いて訓練された任意の軌道予測モデルに容易に組み込むことができる。
  論文  参考訳（メタデータ） (2024-09-17T13:26:17Z)
• Refining Pre-Trained Motion Models [56.18044168821188]
  我々は、自己教師付きトレーニングによる最先端の教師付きモデルの改善に挑戦する。 実世界の未学習ビデオから「クリーン」な訓練信号を得ることに重点を置いている。 本研究では,本手法が実動画における完全教師付き手法よりも信頼性が高いことを示す。
  論文  参考訳（メタデータ） (2024-01-01T18:59:33Z)
• Forecasting Human Trajectory from Scene History [51.72069374835107]
  我々は,暗黙の場面の規則性から学習することで,将来の軌跡を予測することを提案する。 本研究では,シーン履歴情報を歴史的グループ軌跡と個々人のインタラクションの2つのタイプに分類する。 本稿では,シーン履歴をシンプルかつ効果的なアプローチで活用する,SHENet(Scene History Excavating Network)を提案する。
  論文  参考訳（メタデータ） (2022-10-17T03:56:02Z)
• Bayesian inference of the climbing grade scale [0.0]
  マルコフ連鎖モンテカルロを用いた全歴史評価モデルに基づいて推論を実装した。 以上の結果から,クライミンググレードスケールは対数スケールの難易度である,という仮定に適合することを示す。
  論文  参考訳（メタデータ） (2021-11-15T23:15:03Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• Enhancing Trajectory Prediction using Sparse Outputs: Application to Team Sports [6.26476800426345]
  プレイヤー予測のためにディープラーニングモデルをトレーニングするのは、驚くほど難しいかもしれません。 本研究では,スパース軌道の予測と一定加速度による補間によりトレーニングを改善する新しい手法を提案する。 我々は,他の選手の完全な軌跡を条件にすることで,プレイヤーのサブセットに対する予測軌跡の精度を向上できることを見出した。
  論文  参考訳（メタデータ） (2021-06-01T01:43:19Z)
• Faster Meta Update Strategy for Noise-Robust Deep Learning [62.08964100618873]
  我々は,メタグラデーションの最も高価なステップをより高速なレイヤワイズ近似に置き換えるために,新しいファMUS(Faster Meta Update Strategy)を導入する。 本手法は,同等あるいはさらに優れた一般化性能を維持しつつ,トレーニング時間の3分の2を節約できることを示す。
  論文  参考訳（メタデータ） (2021-04-30T16:19:07Z)
• Recurrent Neural Network for MoonBoard Climbing Route Classification and Generation [0.0]
  BetaMoveは、人間の登山者の手列を模倣するために開発された新しい移動前処理パイプラインである。 我々の等級予測器の精度は人間レベルに近い性能に達する。 私たちのルートジェネレータは、以前の作業と比べてはるかに品質の良い新しいルートを生成します。
  論文  参考訳（メタデータ） (2021-02-02T22:38:23Z)
• augKlimb: Interactive Data-Led Augmentation of Bouldering Training [0.0]
  クライミングは人気のあるスポーツであり、特に屋内では、登山者が人工ホールドを使って人工ルートで訓練することができる。 近年,登山にコンピュータ・インタラクションを加える様々な側面が研究されている。 レクリエーションの中間登山者を支援するための軽量ツールの研究のための広大なスペースがある。
  論文  参考訳（メタデータ） (2020-01-22T10:26:59Z)

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。