論文の概要: Dance Style Recognition Using Laban Movement Analysis

• arxiv url: http://arxiv.org/abs/2504.21166v1
• Date: Tue, 29 Apr 2025 20:35:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 23:26:37.721185
• Title: Dance Style Recognition Using Laban Movement Analysis
• Title（参考訳）: ラバン動作解析を用いたダンススタイル認識
• Authors: Muhammad Turab, Philippe Colantoni, Damien Muselet, Alain Tremeau,
• Abstract要約: 本研究では,ラバン運動分析を用いて抽出した特徴を用いたダンススタイルの認識に焦点を当てた。 本研究では, 3次元ポーズ推定, 3次元メッシュ再構成, 床認識体モデルを組み合わせてLMA特徴を効果的に抽出する新しいパイプラインを提案する。 提案手法は99.18%の最高分類精度を達成し,時間的文脈の追加がダンススタイル認識性能を著しく向上させることを示す。
• 参考スコア（独自算出の注目度）: 0.562479170374811
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growing interest in automated movement analysis has presented new challenges in recognition of complex human activities including dance. This study focuses on dance style recognition using features extracted using Laban Movement Analysis. Previous studies for dance style recognition often focus on cross-frame movement analysis, which limits the ability to capture temporal context and dynamic transitions between movements. This gap highlights the need for a method that can add temporal context to LMA features. For this, we introduce a novel pipeline which combines 3D pose estimation, 3D human mesh reconstruction, and floor aware body modeling to effectively extract LMA features. To address the temporal limitation, we propose a sliding window approach that captures movement evolution across time in features. These features are then used to train various machine learning methods for classification, and their explainability explainable AI methods to evaluate the contribution of each feature to classification performance. Our proposed method achieves a highest classification accuracy of 99.18\% which shows that the addition of temporal context significantly improves dance style recognition performance.
• Abstract（参考訳）: 自動運動分析への関心の高まりは、ダンスを含む複雑な人間の活動を認識する上で、新たな課題を提起している。 本研究では,ラバン運動分析を用いて抽出した特徴を用いたダンススタイルの認識に焦点を当てた。 ダンススタイル認識に関するこれまでの研究は、時間的文脈と運動間の動的遷移を捉える能力を制限するクロスフレーム・ムーブメント分析に焦点をあてることが多かった。 このギャップは、LMA機能に時間的コンテキストを追加するメソッドの必要性を強調している。 そこで本研究では, 3次元ポーズ推定, 3次元メッシュ再構成, フロア・アウェア・ボディ・モデリングを組み合わせて, LMA特徴を効果的に抽出する新しいパイプラインを提案する。 時間的制限に対処するため,特徴量の時間的変化を捉えるスライディングウインドウ手法を提案する。 これらの特徴は、分類のための様々な機械学習手法の訓練に使用され、その説明可能性説明可能なAI手法は、分類性能に対する各特徴の寄与を評価する。 提案手法は,時間的文脈の付加がダンススタイル認識性能を著しく向上させることを示す99.18\%の最高分類精度を実現する。

関連論文リスト

• Emotion Recognition in Contemporary Dance Performances Using Laban Movement Analysis [0.562479170374811]
  本研究では,様々な感情状態下で現代舞踊を行うプロダンサーの3次元キーポイントデータから表現的特徴を抽出する。 我々はランダムフォレストやサポートベクターマシンを含む複数の分類器を訓練する。 全体として、現代舞踊における感情認識を改善し、パフォーマンス分析、ダンストレーニング、人間とコンピュータの相互作用における有望な応用を96.85%の精度で提供する。
  論文  参考訳（メタデータ） (2025-04-29T20:17:27Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• Learning Scene Flow With Skeleton Guidance For 3D Action Recognition [1.5954459915735735]
  本研究は3次元行動認識のための深部時間モデルによる3次元フローシーケンスの利用を実証する。 また、最も識別性の高い運動力学を学ぶために、拡張された深部骨格も導入されている。 高次クロスモーダル相関を学習する2つのモデルの間には,後期融合方式が採用されている。
  論文  参考訳（メタデータ） (2023-06-23T04:14:25Z)
• Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
  野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。 本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
  論文  参考訳（メタデータ） (2022-09-01T10:46:09Z)
• Motion Gait: Gait Recognition via Motion Excitation [5.559482051571756]
  本研究では,時間的特徴をガイドする動作励起モジュール (MEM) を提案する。 MEMはフレームと間隔の違い情報を学習し、時間変動の表現を得る。 本研究では,人間の水平部分の空間的時間的表現に基づいて独立に学習するファイン・フィーチャー・エクストラクタ(EFF)を提案する。
  論文  参考訳（メタデータ） (2022-06-22T13:47:14Z)
• Efficient Modelling Across Time of Human Actions and Interactions [92.39082696657874]
  3つの畳み込みニューラルネットワーク(CNND)における現在の固定サイズの時間的カーネルは、入力の時間的変動に対処するために改善できると主張している。 我々は、アーキテクチャの異なるレイヤにまたがる機能の違いを強化することで、アクションのクラス間でどのようにうまく対処できるかを研究する。 提案手法は、いくつかのベンチマークアクション認識データセットで評価され、競合する結果を示す。
  論文  参考訳（メタデータ） (2021-10-05T15:39:11Z)
• Multi-level Motion Attention for Human Motion Prediction [132.29963836262394]
  本研究は, 関節, 身体部分, フルポーズレベルなど, 異なる種類の注意力の使用について検討した。 我々は,Human3.6M,AMASS,3DPWを用いて,周期的および非周期的両方の行動に対するアプローチの利点を検証した。
  論文  参考訳（メタデータ） (2021-06-17T08:08:11Z)
• Multi-Temporal Convolutions for Human Action Recognition in Videos [83.43682368129072]
  複数の解像度で抽出できる新しい時間・時間的畳み込みブロックを提案する。 提案するブロックは軽量で,任意の3D-CNNアーキテクチャに統合可能である。
  論文  参考訳（メタデータ） (2020-11-08T10:40:26Z)
• Learn to cycle: Time-consistent feature discovery for action recognition [83.43682368129072]
  時間的変動を一般化することは、ビデオにおける効果的な行動認識の前提条件である。 Squeeze Re Temporal Gates (SRTG) を導入する。 SRTPGブロックを使用する場合,GFLOの数は最小限に抑えられ,一貫した改善が見られた。
  論文  参考訳（メタデータ） (2020-06-15T09:36:28Z)

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。