論文の概要: Sequence Recognition in Bharatnatyam dance
- arxiv url: http://arxiv.org/abs/2609.16306v1
- Date: Mon, 14 Sep 2026 20:12:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.230678
- Title: Sequence Recognition in Bharatnatyam dance
- Title（参考訳）: Bharatnatyamダンスにおけるシーケンス認識
- Abstract要約: バーラタナティアム(Bharatanatyam)は、インドで最も古いクラシックダンスである。
15のアダヴスと58のバリエーションがあり、それぞれのアダヴのバリエーションは、特定の順序で起こる動きと姿勢(ダンスステップと呼ばれる)の明確に定義されたセットから構成される。
本稿では,これらのシーケンスを識別する手法を提案する。
本稿では、まず、畳み込みニューラルネットワーク(CNN)とサポートベクトルマシン(SVM)を用いて、関連するキー姿勢(KP)とアダブにおける動きを認識する。
次に、これらのKPと運動列を比較します。
- 参考スコア（独自算出の注目度）: 2.6788987877539783
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Bharatanatyam is the oldest Indian Classical Dance (ICD) which is learned and practiced across India and the world. Adavu is the core of this dance form. There exist 15 Adavus and 58 variations. Each Adavu variation comprises a well-defined set of motions and postures (called dance steps) that occur in a particular order. So, while learning Adavus, students not only learn the dance steps but also take care of its sequence of occurrences. This paper proposed a method to recognize these sequences. In this work, firstly, we recognize the involved Key Postures (KPs) and motions in the Adavu using Convolutional Neural Network (CNN) and Support Vector Machine (SVM), respectively. In this, CNN achieves 99% and SVM's recognition accuracy becomes 84%. Next, we compare these KP and motion sequences with the ground truth to find the best match using the Edit Distance algorithm with an accuracy of 98%. The paper contributes hugely to the state-of-the-art in the form of digital heritage, dance tutoring system, and many more. The paper addresses three novelties; (a) Recognizing the sequences based on the KPs and motions rather than only KPs as reported in the earlier works. (b) The performance of the proposed work is measured by analyzing the prediction time per sequence. We also compare our proposed approach with the previous works that deal with the same problem statement. (c) It tests the scalability of the proposed approach by including all the Adavu variations, unlike the earlier literature, which uses only one/two variations.
- Abstract（参考訳）: バーラタナティアム(Bharatanatyam)は、インドで最も古いクラシックダンスである。
アダヴはこの踊りの中核である。
15のアダウスと58のバリエーションがある。
それぞれのアダヴのバリエーションは、特定の順序で起こる動きと姿勢(ダンスステップと呼ばれる)の明確に定義されたセットから構成される。
そこで、Adavusを学習している間、学生はダンスのステップを学ぶだけでなく、その一連の出来事を処理します。
本稿では,これらのシーケンスを識別する手法を提案する。
本稿では、まず、畳み込みニューラルネットワーク(CNN)とサポートベクトルマシン(SVM)を用いて、関連するキー姿勢(KP)とアダブにおける動きを認識する。
これにより、CNNは99%、SVMの認識精度は84%になる。
次に、これらのKPとモーションシーケンスを基底真理と比較し、編集距離アルゴリズムを用いて98%の精度で最適なマッチングを求める。
本論文は,デジタル遺産,ダンス・チューリング・システムなどの形で,最先端技術に大きく貢献する。
The paper address three novelties;—————————————————————————————
(a)以前の研究で報告されたように、KPのみではなくKPと運動に基づいてシーケンスを認識すること。
b)提案手法の性能は,シーケンス毎の予測時間を分析して測定する。
また、提案したアプローチを、同じ問題ステートメントを扱う以前の作業と比較する。
(c)従来の文献と異なり,Adavuのバリエーションをすべて含んで,提案手法のスケーラビリティを検証している。
関連論文リスト
- Q-based Variational Inverse Reinforcement Learning [49.938092774696294]
逆強化学習(IRL)は、手による好みを明確に指定する課題に対処する。
本稿では,Q-based Variational IRL (QVIRL)を提案する。
グリッドワールド、ルナーランダー、ハイウェイ環境、および2つのATARIゲームなど、様々なタスクにわたる見習い学習におけるQVIRLの強みを実演する。
論文 参考訳（メタデータ） (2026-08-17T17:59:55Z) - AfroBeats Dance Movement Analysis Using Computer Vision: A Proof-of-Concept Framework Combining YOLO and Segment Anything Model [0.0]
本稿では,ダンサー検出のための YOLOv8 と v11 を,正確にセグメンテーションのための Segment Anything Model (SAM) と統合する概念実証フレームワークを提案する。
提案手法は,映像フレーム内のダンサーを識別し,個別のダンスステップをカウントし,空間被覆パターンを計算し,演奏シーケンス間のリズムの整合性を測定する。
論文 参考訳（メタデータ） (2025-12-03T07:06:06Z) - Self-Distillation Improves DNA Sequence Inference [15.497250990633047]
SSP(Self-supervised pretraining)は、様々な下流タスクにおける予測精度を高める方法として認識されている。
この制限は主に、ゲノム学における既存のSSPアプローチが個々の配列のマスキング言語モデリングに焦点を当てているという事実に起因している。
本稿では,学生と教師のサブネットワーク間の協調学習を取り入れた,革新的なディープニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2024-05-14T12:24:52Z) - Pose2Gest: A Few-Shot Model-Free Approach Applied In South Indian Classical Dance Gesture Recognition [0.0]
インドからの古典的な踊りは、ムドラと呼ばれる一連の手振りを用いており、その姿勢の語彙の基礎的な要素となっている。
本研究は,24クラス分類問題としての泥質認識に対処し,ポーズ推定手法を利用した新しいベクトル類似性に基づくアプローチを提案する。
提案手法は,92%の精度を達成し,既存のモデル学習手法に匹敵する,あるいは優れた性能を示す。
論文 参考訳（メタデータ） (2024-04-17T09:37:25Z) - Regularization-Based Methods for Ordinal Quantification [49.606912965922504]
順序の場合、すなわち n>2 クラスの集合上で全順序が定義される場合について研究する。
本稿では,従来のアルゴリズムよりも優れた正規化OQアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-13T16:04:06Z) - Active and Passive Causal Inference Learning [43.94538017706726]
本稿では,因果推論に関心を持つ機械学習研究者,技術者,学生の出発点となる。
まず、因果同定に総合的に必要とされる重要な仮定のセットを配置することから始めます。
私たちは、それらを2つのバケット、アクティブとパッシブのアプローチに分類することで、重要な因果推論テクニックのセットを構築します。
論文 参考訳（メタデータ） (2023-08-18T02:23:48Z) - A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive
Coding Networks [65.34977803841007]
予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。
シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
論文 参考訳（メタデータ） (2022-11-16T00:11:04Z) - Sequence-level self-learning with multiple hypotheses [53.04725240411895]
我々は、自動音声認識(ASR)のためのアテンションベースシーケンス・ツー・シーケンス(seq2seq)モデルを用いた新しい自己学習手法を開発した。
従来の教師なし学習手法とは対照的に,我々はEmphmulti-task Learning(MTL)フレームワークを採用する。
実験の結果,本手法は,英語データのみを用いてトレーニングしたベースラインモデルと比較して,英文音声データのWERを14.55%から10.36%に削減できることがわかった。
論文 参考訳（メタデータ） (2021-12-10T20:47:58Z) - SIMPLE: SIngle-network with Mimicking and Point Learning for Bottom-up
Human Pose Estimation [81.03485688525133]
Single-network with Mimicking and Point Learning for Bottom-up Human Pose Estimation (SIMPLE) を提案する。
具体的には、トレーニングプロセスにおいて、SIMPLEが高性能なトップダウンパイプラインからのポーズ知識を模倣できるようにする。
さらに、SIMPLEは人間検出とポーズ推定を統一的なポイントラーニングフレームワークとして定式化し、単一ネットワークで相互に補完する。
論文 参考訳（メタデータ） (2021-04-06T13:12:51Z) - Ballroom Dance Movement Recognition Using a Smart Watch [0.0]
球場舞踊の文脈における1つのスマートウォッチを用いた全身運動検出研究について述べる。
深層学習表現は、よく定義された動きの列を分類するために用いられる。
85.95%の分類精度は92.31%に向上した。
論文 参考訳（メタデータ） (2020-08-23T22:36:28Z) - Bharatanatyam Dance Transcription using Multimedia Ontology and Machine
Learning [0.0]
ダンスパフォーマンスのパース可能な表現を生成するシステムを開発した。
このシステムは、無形遺産の保存、アノテートパフォーマンスの改善、ダンスパフォーマンスの合成に役立ちます。
論文 参考訳（メタデータ） (2020-04-24T21:22:20Z) - Lipreading using Temporal Convolutional Networks [57.41253104365274]
現在の単語認識モデルは,残差ネットワークと双方向Gated Recurrent Unit層で構成されている。
このモデルの限界に対処し、その性能をさらに向上させる変更を提案する。
提案モデルでは,これらのデータセットにおいてそれぞれ1.2%と3.2%の絶対的な改善が得られた。
論文 参考訳（メタデータ） (2020-01-23T17:49:35Z)
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。