Cos-Triplet Ensemble Learning Model for Quality Scoring and Classification on Rehabilitation Pose Matching System
Notice bibliographique
Résumé
In a pose matching and guidance system pertinent to rehabilitation training, the establishment of a distinct decision boundary demarcating qualified and unqualified poses is of utmost importance, particularly in domains necessitating precise pose alignment, such as rehabilitation and martial arts training. Moreover, it is imperative for patients to receive real-time feedback regarding their postural alignments during the training sessions. Accomplishing these objectives with high precision and performance presents a formidable challenge. This paper introduces a Cos-Triplet Ensemble Network Combined with Classification Module (CTENM) model, meticulously designed to furnish an accurate pose-matching score concomitant with exceptional precision and accuracy in pose classification. The CTENM model is an intricate stacking model comprising three sub-models, each of which is a costriplet network fortified with varying CNN backbones. In our experiment, VGG16, MobileNet, and ResNet18 were judiciously selected as the backbones for these sub-models. The cos-triplet model represents an innovative modification of the original triplet network. This adaptation incorporates cosine similarity triplet loss as a substitute for the conventional triplet contrastive loss, further augmented with a stochastic weighting mechanism to facilitate classification in triplet settings. Post-training of all sub-models, the stacking ensemble model endeavors to enhance its capabilities by aggregating weighted outputs from the three sub-models. These weight parameters are subsequently refined through training a more comprehensive cos-triplet network. The empirical results gleaned from our experiments affirm the efficacy of the CTENM model in accomplishing the dual tasks of pose matching and guidance with unparalleled accuracy and precision.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».