Deep Learning-Based Standardized Evaluation and Human Pose Estimation: A Novel Approach to Motion Perception
Notice bibliographique
Résumé
Motion perception, pivotal to myriad specialized tasks, necessitates the enhancement of proficiency through sustained repetition of perception-action cycles to meet standard benchmarks.Attaining advanced skill levels often demands additional practice.However, traditional pedagogical and evaluation systems predominantly hinge on the subjective experiences of instructors and evaluators.This dependence precipitates two principal challenges in the domain of motion perception-related professional work.Firstly, learners grapple with securing timely, adequate guidance during learning and practice, given the slow, trial-and-error nature of key point acquisition.Secondly, objective evaluation, fraught with instability, fails to consistently deliver accurate quantitative assessments, thereby adversely impacting the learning process.In response to these challenges, this study introduces a deep learning-based approach for standardized evaluation and human pose estimation.The methodology begins with the utilization of OpenPose for body joint detection.This is followed by a Deep Neural Network (DNN)-informed strategy for posture information extraction.Lastly, leveraging our team's extensive experience in dance instruction, a novel method for describing and discerning differences in dance movements is proposed.This approach enables a quantitative evaluation and provides intuitive feedback on the mechanics of dance movements, thereby enhancing the monitoring of participants' progress.Validated experimentally, the proposed methodology demonstrates precision in motion perception and quantitative evaluation.It not only offers practical guidance for enhancing the quality of dance instruction but also provides a valuable reference for other applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».