Construction and optimization method of modern dance movement style feature classification model based on deep learning
Notice bibliographique
Résumé
Human gesture estimation and action recognition are the current research hotspots in the field of computer vision.In this paper, we propose a dance pose estimation method based on multiple dilation convolution with hybrid attention and a dance action recognition algorithm based on spatio-temporal map convolution.In the pose estimation, the residual module is used to reduce the computational load of the network, while the LAM module is employed to fuse different dance features to improve the model's representation of effective features.The GAM module is then utilized to superimpose the global feature information, capturing richer joint point information.The graph attention mechanism is embedded in the action recognition algorithm to achieve better neighbor aggregation, followed by the construction of a new partitioning strategy to assign different weights to the limbs, which enhances the recognition ability of the model.The gesture estimation algorithm in this paper reduces the number of parameters by 36.73% compared with the Cross Former model, and is able to realize high accuracy reconstruction of modern dance movements such as jumping, lowering, kicking, and stretching, etc.The ST-GCN converges faster than the PA-LSTM, and the convergence trend is more stable.The recognition accuracies in ten modern dance movement style features are 90% and above, which shows that the design of the dance gesture estimation method and the dance movement recognition algorithm in this paper achieves the task of estimating and recognizing modern dance movement style features in real time.
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 | 0,001 |
| 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 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 ».