REDES NEURAIS CONVOLUCIONAIS E PADRÃO CPAQV 100 PARA ANÁLISE DO MOVIMENTO HUMANO
Bibliographic record
Abstract
Um dos tipos de redes neurais artificiais (RNA) mais utilizados para analise de imagens sao as Redes Neurais Convolucionais (RNC). O objetivo deste artigo e propor a partir do modelo adotado pelo CIFAR, um padrao de super classes e classes para treinamento de RNC para analise do movimento humano chamado de CPAQV 100, desenvolvido por pesquisadores do Centro de Pesquisas Avancadas em Qualidade de Vida (CPAQV). Metodos: Foi adotado o padrao do Canadian Institute for Advanced Research - CIFAR) para o desenvolvimento do presente criterio de super classes e classes para analise do movimento humano. Na primeira etapa foram definidas as 20 super classes que sao grandes conjuntos de atividade fisica voluntaria que apresentam caracteristicas em comum, como, por exemplo, atividades aquatica indoor. O principal criterio para criacao das super classes foi abranger o maior espectro de diferentes atividades fisicas em varios cenarios (atividades da vida cotidiana, mundo do trabalho, esportes em geral atividades recreacionais fisicamente ativas, etc.). As classes foram definidas a partir de tres criterios: 1) ser atividade fisica locomotora voluntaria; 2) Que o movimento do criterio anterior sendo atendido seja praticado por centenas de milhares ou milhoes de milhoes de pessoas no mundo; 3) Que preferencialmente sejam esportes olimpicos ou que tenham competicoes mundiais. Resultados e Discussao: O CPAQV 100 apresenta a seguinte estrutura: 20 super classes, abrangendo o maior espectro possivel, de atividades fisicas voluntarias, sendo que o CPAQV 100 apresenta 20 classes e cada classe cinco categorias. Conclusao: uma vez definidas as super classes e classes, alcancamos o objetivo de abranger 100 diferentes tipos de atividades fisicas, segundo os criterios previamente definidos. E evidente que trata-se da primeira etapa da construcao de uma database sobre movimento humano voluntario, que certamente sera ampliado nos proximos anos. Mas foi dado o primeiro passo.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.003 |
| Meta-epidemiology (narrow) | 0.003 | 0.003 |
| Meta-epidemiology (broad) | 0.003 | 0.003 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.023 | 0.005 |
| Open science | 0.007 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.003 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".