Improved Yoga Pose Detection Using MediaPipe and MoveNet in a Deep Learning Model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The escalating global embrace of yoga as a holistic approach to well-being has accentuated the demand for refined and efficient techniques in yoga posture recognition.Traditional manual methods, although valuable, have exhibited protracted timelines and vulnerability to inaccuracies.In response, we introduce an innovative solution that harnesses the capabilities of deep learning (DL) models, elevating both the precision and accuracy of posture detection.Our approach predominantly leverages the Thunder variant of the MoveNet model, renowned for its exceptional proficiency in distinguishing an array of yoga postures.This model is seamlessly amalgamated with the MediaPipe technique, facilitating adept keypoint identification and skeletonization.In our proposed framework, input images undergo initial preprocessing, followed by skeletonization achieved through keypoint extraction.This pivotal process enables the encapsulation of distinctive points intrinsic to individual yoga poses.Central to our methodology is the incorporation of the large and diverse yoga (LDY) dataset, which encompasses five distinct yoga pose categories: Downdog, Goddess, Plank, Tree, and Warrior.A thorough evaluation demonstrates our approach's outstanding accuracy of 99.50% when deployed on the LDY dataset.As maintaining precise posture is pivotal in averting immediate discomfort and mitigating long-term health complexities, the implications of this advancement are profound.It charts a course toward more meticulous and accessible mechanisms for detecting yoga poses, thus profoundly influencing the physical and mental well-being of practitioners.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle