Selvitä itsevalvottuja näkömuuntajia kävelyn tunnistamiseen villissä osassa 3

Käytämme yksinkertaista ylänäytettä interpoloimaan vierekkäisten liitosten välillä (kuva 3). Kuitenkin, jos näin tehdään naiivisti luurankolle, seurauksena on luurangon poikki vääristyneitä liitoksia riippumatta luurankomuodon valinnasta (esim. OpenPose tai COCO), koska liitosjärjestys ei säilytä mitään semanttista merkitystä.

Nivelten sekvensointi tarkoittaa kehon nivelten liikuttamista tietyssä järjestyksessä. Tämäntyyppisellä harjoituksella on tärkeä rooli fyysisen terveyden ylläpitämisessä ja kehon muistin parantamisessa.

Ensinnäkin nivelten sekvensointi voi edistää kehon eri osien koordinoitua liikettä, lisätä lihasvoimaa ja parantaa sydän- ja keuhkotoimintaa, mikä kaikki auttaa ylläpitämään hyvää terveyttä. Samalla säännöllinen nivelten kohdistaminen voi vähentää kehon jäykkyyttä ja kipua, parantaa ryhtiä ja tasapainoa sekä viivyttää iän aiheuttamaa fyysisen toiminnan heikkenemistä.

Toiseksi, nivelten sekvensointi voi myös parantaa muistia. Tutkimukset osoittavat, että liikunta voi stimuloida aivojen hermosolujen kasvua ja yhteyksiä, mikä edistää neuronien välistä tiedonvaihtoa, mikä voi auttaa parantamaan muistia ja oppimiskykyä. Nivelten sekvensoitu liike vaatii aivoilta tarkat ohjeet eri kehon osien liikkeisiin, mikä auttaa suuresti aivojen koordinaatio- ja muistikykyjen kehittymistä.

Lopuksi, nivelten sekvensointi voi myös lievittää stressiä ja ahdistusta ja parantaa emotionaalista vakautta. Harjoittelu voi vapauttaa kehossa joitain aineita, kuten dopamiinia ja endorfiineja, jotka voivat auttaa lievittämään emotionaalisia ongelmia ja parantamaan kehon onnen ja tyytyväisyyden tunnetta. Näillä tekijöillä on myös positiivinen vaikutus muistin paranemiseen.

Yhteenvetona voidaan todeta, että yhteisen sekvensoinnin ja muistin välillä on positiivinen suhde. Säännöllisillä niveljärjestysharjoituksilla voit edistää tervettä kehon ja aivojen kehitystä, parantaa muistia ja oppimiskykyä sekä parantaa emotionaalista vakautta. Kiinnitämme huomiota hyvään terveyteen ja nautitaan yhdessä elämän kauneudesta! Voidaan nähdä, että meidän on parannettava muistia, ja Cistanche deserticola voi parantaa muistia merkittävästi, koska Cistanche deserticola on perinteinen kiinalainen lääkeaine, jolla on monia ainutlaatuisia vaikutuksia, joista yksi on parantaa muistia. Jauhetun lihan teho perustuu sen sisältämiin erilaisiin vaikuttaviin ainesosiin, mukaan lukien happo, polysakkaridit, flavonoidit jne. Nämä ainesosat voivat edistää aivojen terveyttä monin tavoin.

Napsauta tietää lisäravinteita parantaaksesi muistia

Tämä havainto on linjassa Yangin et al. [44], jossa ehdotetaan puurakenteen luurankokuvaa (TSSI) liitosten välisten avaruudellisten suhteiden ehdottamiseksi. Se perustuu nivelten syvyys-ensimmäiseen puun läpikulkujärjestykseen, joka säilyttää luurangon rakennetiedot. Kuva 3 (oikealla) esittää eri luurankomuotojen ja upsample-menetelmien vaikutuksia. Tätä koonmuutosmenetelmää varten käytimme TSSI-muotoa ja bicubic-interpolaatiota.

Lisäksi kokeilimme kahta skaalausmenetelmää, jotka olivat koulutuksen aikana opittavia. Käytimme yksinkertaista lineaarista kerrosta jokaiseen litistettyyn luurankoon lisätäksemme liitosten määrää. Tämä on yksinkertaisin tapa muuttaa jokainen luuranko, mutta se ei ota huomioon mitään nivelten välisiä tilasuhteita. Tämän ratkaisemiseksi käytä myös joukko 2D-dekonvoluutiokerroksia luurankosekvenssissä koon muuttamiseen ottaen samalla huomioon rakenteelliset tiedot; tässä menetelmässä käytämme myös TSSI-muotoa.

Taulukossa 1 on esitetty kaikkien arkkitehtuurien kunkin koonmuutosmenetelmän tulokset. Malleja koulutettiin ja arvioitiin CASIA-B:llä 200 aikakauden ajan, ja näytämme tulokset normaalista kävelystä. Muissa kokeissamme päätimme ottaa luurankosekvenssistä näytteen ylös kuutiointerpoloinnilla.

Vaikka on olemassa useita mahdollisia itseohjattuja esiharjoittelumenetelmiä, valitsimme kontrastiivisen esiharjoittelun, koska se on sama menettely varsinaiseen kävelyntunnistuksen palautukseen. Kontrastiiviset lähestymistavat rohkaisevat samaan luokkaan kuuluvia esityksiä olemaan lähellä piilevää tilaa, samalla kun ne ovat kaukana eri luokkiin kuuluvista esityksistä.

Käytämme erityisesti Supervised Contrastivea [45] esiharjoitteluun. SupCon loss toimii usean katselun erässä: jokaisella erän näytteellä on useita lisättyjä versioita itsestään. Sen osoitettiin luonnollisesti olevan vahvempi datakorruptio, se lievittää kolmosten huolellisen valinnan tarvetta, koska gradientti rohkaisee oppimaan kovista esimerkeistä ja on vähemmän herkkä hyperparametreille.

3.4. Datan lisäys

Harjoittelu itsevalvotulla kontrastimenetelmällä SupCon-häviön kanssa edellyttää tietojen lisäyksen käyttöä useiden lisättyjen "näkymien" saamiseksi samasta luurankosekvenssistä. Kävelyluurankosekvensseihimme käytetyt lisäykset ovat linjassa muiden tämän alueen töiden kanssa [10,12, 30]. Pääasiallinen käytetty lisäys on satunnainen ajallinen rajaus, jonka jakson pituus on T=64 kehystä.

Koska luurankoja seurataan vaihtelevan ajan, käytämme rajausta varmistaaksemme, että kaikki sekvenssit ovat saman pituisia. Lisäksi kävelevä henkilö voi muuttaa suuntaa ja suorittaa muita toimintoja seurannan aikana; näin ollen rajaus indusoi enemmän vaihtelua samalle sekvenssille.

Lisäksi muokkaamme kävelyvauhtia hidastamalla tai nopeuttamalla kävelyä. Käytimme nopeuden muuntajia {{0}}.5, 0.75, 1, 1.25, 1.5, 1.75, 2.0}. Tämä on mukautettu Wang et al. [48] ​​videoesitysten itseohjautuvaan oppimiseen. Lisäksi tahdistusta on käytetty kävelyanalyysissä aiemmin [33].

Käytämme myös satunnaista kääntämistä todennäköisyydellä {0}.5, sekvenssin käänteistä todennäköisyydellä 0.5, additiivista Gaussin kohinaa jokaisessa liitoksessa, jonka σ=0.005, ja 5 %:n satunnainen pudotus nivelistä todennäköisyydellä 0,01 simuloidakseen puuttuvia niveliä poseestimation mallista.

3.5. Alustusmenetelmät

Mittaaksemme itseohjatun esikoulutuksen vaikutusta ehdotettuihin arkkitehtuureihin tutkimme kolmea eri alustusmenetelmää. Taulukossa 2 on esitetty kirjallisuudessa käytetyt erilaiset tietojoukot. Vaikka CASIA-B [6] ja FVG[29] ovat ohjattuja tietojoukkoja, joita käytetään enimmäkseen arviointiin, käytämme DenseGait [12] ja GREW [7] itsevalvottua esikoulutusta viidelle arkkitehtuurille. DenseGait ja GREW ovat kaksi suurinta realistista kävelytietokantaa, jotka on kerätty ulkotiloissa ja jotka oletettavasti sisältävät suurimman osan jokapäiväisessä elämässä esiintyvistä kävelyn vaihteluista, käyttäytymisestä ja monimutkaisuudesta. Valitsemme nämä tietojoukot yleisempään kulkuesitykseen, jotta yleiset valvontaskenaariot sallitaan kävelyn autentikoinnin.

DenseGait Pretraining DenseGait on laajamittainen "villiin" kävelytietojoukko, joka kerätään automaattisesti valvontavirroista. Se sisältää 217 000 jäljitettyä luurankosekvenssiä, jotka on erotettu AlphaPosen [22] avulla, erilaisissa ympäristöissä ja kamerakulmissa useista maantieteellisistä paikoista. Koska DenseGait kerätään automaattisesti, sen seurantatunnisteen merkinnät ovat kohinaisia ​​ja tietojoukko saattaa sisältää samasta aiheesta kertovia sekvenssejä, vaikka tämä on harvinainen tapaus. Tämä pätee kuitenkin useimpiin suuren mittakaavan merkitsemättömiin tietokokonaisuuksiin, jotka sisältävät näytteitä, jotka kuuluvat samaan semanttiseen luokkaan, jota ei pidetä liittyvän koulutuksen aikana. Esiopetamme jokaisen arkkitehtuurin DenseGaitissa ja käytämme koulutettuja parametreja ohjattujen tietojoukkojen suorituskyvyn jatkoarviointiin.

GREW Pretraining GREW on toinen ulkona "luokassa" -tietojoukko, mutta se on huolellisesti merkitty siten, että se sisältää käveleviä aiheita useiden päivien ajan ja erityyppisiä vaatteita. Kuitenkin noudattaaksesi itsevalvotun järjestelmän vaatimuksia hylkäämme huomautukset ja käsittelemme jokaista kävelyjaksoa erillisenä henkilönä. GREW on 2x pienempi kuin DenseGait, joka sisältää 128 K luurankosekvenssiä, samalla kun jokaista jalankulkijaa seurataan lyhyemmän keskimääräisen keston ajan [12]. Koulutamme myös jokaisen GREW-arkkitehtuurin ja käytämme koulutettuja parametreja loppupään suorituskyvyn arviointiin.

Satunnainen alustus Tämä alustusmenetelmä ei vastaa esiharjoittelua (eli harjoittelua tyhjästä). Jokainen arkkitehtuuri on koulutettu satunnaisella painon alustamisella loppupään tietojoukoissa. Tämä menetelmä on lähtökohta verrattaessa suorituskyvyn kasvua esiharjoittelulla.

3.6. Arviointi

Loppuvaiheen tehtävien suorituskykyä arvioidaan kahdella eri tavalla kävelyn tunnistamiseksi. Testaamme suoraan valmiiksi koulutettujen arkkitehtuurien hakuominaisuudet ilman hienosäätöä tiettyä tehtävää varten. Tämä menetelmä vastaa nollakuvan siirtoa. Lisäksi hienosäädä jokaista arkkitehtuuria käyttämällä 10 kertaa pienempää oppimisnopeutta kuin esiharjoittelun aikana, asteittain pienemmällä oppimisnopeudella verkon alussa, mikä vastaa kerroskohtaista oppimisnopeuden heikkenemistä (LLRD) [50].

Alavirran suorituskyvyn arviointi suoritetaan kahdella suositulla kävelyntunnistustietojoukolla: CASIA-B [6] ja FVG [29]. Molemmissa tietosarjoissa on pieni määrä tiukkojen kävelyprotokollien alaisia ​​kohteita, joita ohjataan useiden häiritsevien tekijöiden perusteella: kamerakulma, vaatteet, asusteet ja kävelynopeus.

CASIA-B on sisätiloissa käytettävä tietojoukko, joka sisältää 124 kohdetta 11 synkronoidusta kamerasta. Jokainen kävelee kolmessa eri tilanteessa: normaali kävely, vaatteiden vaihto ja laukkujen kantaminen. Julkaisemisestaan ​​lähtien se on ollut gaitaanalyysimallien benchmarking-työkalu, joka on yksi eniten käytetyistä tietojoukoista tällä alueella. Käytämme 62 ensimmäistä oppiainetta harjoituskokonaisuutena ja loput 62:sta suorituskyvyn arviointiin. Liikkeentunnistusta varten päätämme arvioida suorituskyvyn kulmakohtaisesti "jätä yksi pois" -asetuksella, jossa galleriasarja sisältää kaikki kävelykulmat mittapään kulmaa lukuun ottamatta.

Front-View Gait on toinen suosittu kävelyntunnistuksen tietojoukko, jossa 226 kohdetta kävelee ulkona eri protokollien mukaisesti. CASIA-B:stä poiketen FVG:ssä on muita hämmentäviä tekijöitä: kävelynopeus, sotkuinen tausta ja ajan kuluminen (eli jotkut tutkittavat ovat rekisteröineet vuoden mittaisia ​​kävelyjä). Lisäksi kaikki kohteet tallennetaan eteen päin olevalla kamerakulmalla, jota pidetään vaikeimpana kävelykulmana, koska siinä on pienin havaittu nivelen liikevaihtelu. Ensimmäiset 136 ainetta käytimme koulutukseen ja loput suorituksen arviointiin. Kävelytunnistuksen suorituskyvyn arviointi noudattaa tekijöiden hahmottelemia protokollia, joissa käytämme galleriasarjan normaalia kävelysekvenssiä ja koetinsarjan muita ehtoja.

Kaikissa arviointiskenaarioissa käytämme determinististä rajausta kävelysekvenssin keskellä emmekä käytä testausajan lisäyksiä.

4. Kokeet ja tulokset

4.1. CASIA-B:n arviointi

Esiopetamme kunkin arkkitehtuurin DenseGaitilla ja GREW:llä ja arvioimme suorituskyvyn CASIA-B:llä ja FVG:llä. Ensimmäisessä koesarjassa olemme kiinnostuneita arvioimaan CASIA-B:n suorituskykyä hienosäätöskenaariossa esiharjoittelun jälkeen asteittain suuremmilla harjoitusnäytteillä. Koulutimme jokaista verkkoa ensimmäisten 62 identiteetin suhteen kaikilla käytettävissä olevilla kävelymuunnelmilla ja säilytimme loput testausta varten. Tunnistusarviointi suoritettiin käyttämällä neljää ensimmäistä normaalia kävelynäytettä galleriasarjana ja loput anturisarjana. Kuva 4 esittää CASIA-B:n jokaisen kolmen kävelymuunnelman tarkkuuden (normaali – NM, vaatetus – CLm ja kantolaukku – BG). Tässä skenaariossa otettiin satunnaisesti näytteitä K={1, 2, 3, 5, 7, 10} kävelyä kohdetta, kulmaa kohden ja mallia koulutettiin. Vaikka suorituskyky on suhteellisen samanlainen eri arkkitehtuurien välillä, on selvää, että esikoulutus parantaa merkittävästi suorituskykyä satunnaiseen alustukseen verrattuna riippumatta esiharjoittelun tietojoukon valinnasta.

Lisäksi SimpleViT:llä, CrossFormerilla ja Twins-SVT:llä näyttää olevan samanlainen korkea suorituskyky, kun taas Token2Token on hieman jäljessä. Tämä viittaa siihen, että Token2Tokenissa käytetty progressiivinen tokenointimenetelmä, joka oli suunniteltu erityisesti kuvamaisille rakenteille, ei kaappaa tehokkaasti kulkusekvenssien ominaisuuksia. Harjoittelua edeltävien tietojoukkojen välillä on huomattava ero: DenseGaitses tarjoaa tasaisen suorituskyvyn kasvun kahdessa kävelymuunnelmassa (CL ja BG) verrattuna GREW:hen. Tämä on osoitus siitä, että DenseGait sisältää haastavampia ja realistisempia skenaarioita, jotka valmistavat mallia paremmin olosuhteisiin, joissa ulkoiset tekijät vaikuttavat kävelykuvioon.

Arkkitehtuurit on koulutettu kartoittamaan kävelysekvenssit upotustilaan, jossa pisteiden välinen läheisyys heijastaa vastaavien kävelysekvenssien samankaltaisuutta. Tämä tarkoittaa, että samasta identiteetistä peräisin olevien näkymättömien kävelysekvenssien upotusten tulee olla lähellä toisiaan upotusavaruudessa ja muodostaa klustereita, kun taas eri identiteettien upotusten tulee olla kauempana toisistaan ​​ja muodostaa erillisiä klustereita. Tämä on tärkeää, koska sen avulla malli voi yleistää näkymättömiin kävelysekvensseihin ja tunnistaa yksilön tarkasti käyttämällä lähin naapuri -lähestymistapaa. Kuvassa 5 esittelemme upotusten klusteroinnin jokaiselle identiteetille CASIA-Bafter-ulottuvuuden vähentämisen testijoukossa t-SNE:n kanssa [51]. Käytimme 256-ulotteista upotusvektoria ja projisoimme sen kahteen ulottuvuuteen. SimpleViT ja CrossFormer näyttävät erottavan identiteetit parhaiten kameran näkökulmasta riippumatta.

4.2. FVG:n arviointi

Samalla tavalla arvioimme kunkin arkkitehtuurin suorituskyvyn FVG:llä, joka eroaa laadullisesti CASIA-B:stä, koska se sisältää vain yhden katselukulman. Hienosäädämme esiopetetun verkon murto-osalla f={0.1, 0.2, 0.3, {{10 }}.5, 0.7, 1.0} harjoitussarjan 12 juoksusta per henkilö. Hienosäätötulokset on esitetty kuvassa 6. Tulokset noudattavat samanlaista trendiä kuin CASIA-B:llä: SimpleViT:llä ja CrossFormerilla on jatkuvasti korkea suorituskyky, ja esiharjoittelutietojoukon käyttö on hyödyllistä loppuvirran suorituskyvylle. Lisäksi DenseGaitin esiharjoittelu näyttää jatkuvan tarkkuuden parantamisen. Kuten Cosma ja Radoi [12] totesivat, DenseGait sisältää koehenkilöitä, joita seurataan pidemmän ajan, ja tämä tarjoaa enemmän vaihtelua kontrastiiviseen oppimistavoitteeseen, joka on samanlainen kuin satunnainen rajaus luonnollisten kuvien itsevalvotussa esiharjoittelussa. Kuten CASIA-B:n tuloksissa, pukeutumisvaihtelut ovat huomattavasti jäljessä normaalista kävelyskenaariosta.

Taulukossa 4 esitetään tarkempia tuloksia FVG:n testausjoukosta esikoulutettujen mallien välillä, kuten CASIA-B-skenaariossa. Esiharjoittelutulokset ovat johdonmukaisia: DenseGaitilla suoritettu esiharjoittelu korreloi suoraan myötävirtauksen tarkkuuden parantumiseen. Vaikka molempien tietojoukkojen esiharjoitteleminen parantaa suorituskykyä kaikissa skenaarioissa, parannus on erityisen merkittävä CBG (Cluttered Background) -skenaariossa, jossa tavallisesti on enemmän ihmisiä videossa, samalla tavalla kuin epärealistisissa asetuksissa. Tämä parannus johtuu todennäköisesti siitä, että DenseGait ja GREW kokoontuivat luonnollisiin, hallitsemattomiin ympäristöihin, mikä teki niistä realistisempia ja haastavampia, mikä valmistaa mallia paremmin vastaaviin olosuhteisiin kuin CBG-skenaariossa. Järjestys mallien välillä on samanlainen kuin CASIA-B: SimpleViT, CrossFormer ja Twins-SVT ovat jatkuvasti parempia kuin CaiT ja Token2Token. Sekä CASIA-B:lle että FVG:lle CaiT on hieman jäljessä muista malleista.

4.3. Spatiotemporaalinen herkkyystesti

Yksi näkömuuntajien erityispiirre on mielivaltainen paikkamittojen valinta, mikä voi osoittautua ratkaisevan tärkeäksi lopullisessa suorituskyvyssä. Kuvankäsittelyn tapauksessa patch-mitat eivät ole erityisen tärkeitä kuvan semanttisen sisällön translaation muuttumattomuuden vuoksi.

Luurankosekvensseissä paikkausalueen mitat vastaavat syötteen tiettyjä ja tulkittavissa olevia ominaisuuksia: paikan korkeus edustaa paikkatietoon sisältyvän paikkatiedon määrää (eli luuston nivelten lukumäärää mukaan lukien), kun taas ajalliset mitat edustavat sisällytetyn ajallisen tiedon määrää ( eli kehysten lukumäärä). Näiden kahden välinen tasapaino tulee harkita huolellisesti käytettäessä mukautettuja näkömuuntajia kävelyanalyysiin. Kuvassa 7 näytämme lämpökartan, jossa jokainen solu on harjoitellun mallin suorituskyky (satunnaisesti alustettu) CASIA-B:llä normaalia kävelyä varten. Harjoittelemme kutakin mallia 50 aikakaudelle reilun vertailun ja konvergenssinopeuden mittaamiseksi tietyllä määrällä askeleita.
Rakensimme kaksi lämpökarttaa, yhden SimpleViT:lle ja toisen CaiT:lle, koska niillä on samanlainen taustalla oleva runko, ja on yksinkertaista muokata patch-kokoja. Sama prosessi voidaan suorittaa muille testatuille arkkitehtuureille. Päättelemme, että pienemmät patch-koot vastaavat positiivista mallinnussuorituskyvyn kasvua luurankosekvenssien osalta, kun taas tila- ja ajallisen ulottuvuuden välinen kompromissi ei ole ratkaiseva, koska suorituskyky on samanlainen - lämpökarttamatriisi on melko symmetrinen toisen diagonaalin suhteen. Siksi pienemmät neliömäiset patch-koot, kuten (2, 4) tila- ja aikamittojen poikki, sopivat parhaiten tähän tehtävään, kun taas suuremmat paikkakoot, kuten (32, 32), sisältävät liian vähän erottelevaa tietoa. Kuitenkin pienemmät korjaustiedostot yksinkertaisesti lisäävät korjaustiedostojen määrää, mikä vaatii enemmän laskentatehoa. Kahden NVIDIA RTX 3060 GPU:n asennuksen aikana raportoimme muistin loppumisesta joillekin pienempien korjaustiedostokokojen yhdistelmille.

Todennäköisin syy parantuneeseen suorituskykyyn pienemmillä patch-kokoilla on se, että arkkitehtuuri pystyy paremmin kaappaamaan kävelykuvion monimutkaisuuden laskemalla monimutkaisempia vuorovaikutuksia korjaustiedostojen välillä. Laikkuja, joilla on suurimmat mahdolliset tilakoot ja pienin mahdollinen ajallinen koko, voidaan pitää luurangojen täydellisinä esityksinä, kun taas suurimmat ajalliset ja pienimmät spatiaaliset paikat kaappaavat yksittäisen nivelen liikkeet kokonaisuudessaan. Kuten voidaan havaita, suurin tarkkuus saavutetaan, kun paikan koko sisältää tasapainon sekä tila- että ajallista tietoa, mikä vastaa tiiviisti toisiinsa liittyvien nivelten pieniä liikkeitä.

5. Keskustelu ja päätelmät

Tässä työssä annoimme kattavan arvion viidestä suositusta näkömuuntajan muunnoksesta, jotka on sovitettu luurankosekvenssin käsittelyyn. Pyrkimyksemme ovat sopusoinnussa syvän oppimisen viimeaikaisten edistysten kanssa yhdistääksemme olennaisesti muuntaja-arkkitehtuurin erilaiset modaalit. Ehdotimme spatiaalista näytteenottomenetelmää luurankoille (bicubicupsampling TSSI-runkoformaatilla) liitosten määrän lisäämiseksi keinotekoisesti siten, että muuntajakooderit voivat kuluttaa sekvenssin kunnolla. Lisäksi kutakin arkkitehtuuria koulutettiin itsevalvontaharjoitusparadigman mukaisesti kahdella yleisellä ja laajamittaisella kävelytietojoukolla (eli DenseGait ja GREW), ja sen jälkeen arvioitiin kahdella tietojoukolla kävelyn tunnistamista valvotuissa ympäristöissä (eli CASIA-B ja FVG). Päätimme omaksua itseohjatun oppimisen paradigman saadaksemme yleiset kävelyominaisuudet, jotka eivät ole rajoittuneet tiettyyn kävelymuunnelmaan tai kameran näkökulmaan.

Tuloksemme viittaavat siihen, että tarvitaan korkealaatuisia, korkealaatuisia ja monipuolisia tietojoukkoja esiharjoittelua varten. Osoitimme, että esiharjoittelu DenseGaitilla tarjoaa johdonmukaisia ​​tarkkuuden parannuksia GREW:hen verrattuna koon, muunnelmien lukumäärän ja keskimääräisen kävelyn keston kasvun vuoksi [12]. Suurin hyöty on kuitenkin tilanteissa, joissa harjoitustietoa on vähän. Tuloksemme osoittavat, että tyhjästä harjoittelu johtaa huomattavasti huonompiin tuloksiin kuin hienosäätö jopa vaatimattomilla tietomäärillä (eli 10 jaksoa per henkilö). Tällä hetkellä useimmat kävelymenetelmät suoritetaan sisätiloissa tiukasti kontrolloiduissa ympäristöissä, joita ei voida yleistää todellisen vuorovaikutuksen monimutkaisuuteen. Monipuoliset harjoitustietojoukot ovat ratkaisevan tärkeitä tarkan villin käyttäytymisanalyysin suorittamisessa, varsinkin kun kävely on biometrinen ominaisuus, johon ulkoiset ympäristötekijät sekä sisäiset ja tunnekomponentit voivat helposti vaikuttaa.

Ablaatiotutkimuksemme osoittaa, että pienemmät spatiaal-ajalliset laastarit ovat hyödyllisiä parempiin lopputuloksiin. Tämä oivallus antaa tietoa luurankosekvenssien arkkitehtuurien tulevasta kehityksestä, joka on aiemmin perustunut yksittäisen luurangon käsittelyyn yhdellä korjaustiedostolla [12].

Samanaikaisten ponnistelujen rinnalla kävelyanalyysin saattamiseksi realistisiin asetuksiin työmme mahdollistaa edelleen kävelyn todentamisen ja käyttäytymisanalyysin siirtämisen sisätiloista, kontrolloiduista ympäristöistä ulkotiloihin, todellisiin asetuksiin. Luonnollinen kävelyntunnistus tulee kaikkialle älykkäiden antureiden ja tehokkaiden hermoarkkitehtuurien kehityksen myötä, jotka käsittelevät liikelähtöistä käyttäytymistä reaaliajassa.

Viitteet

1. Kyeong, S.; Kim, SM; Jung, S.; Kim, DH Kävelymallianalyysi ja kliinisen alaryhmän tunnistaminen: Retrospektiivinen havainnointitutkimus. Lääketiede 2020, 99, e19555. [CrossRef] [PubMed]

2. Michalak, J.; Troje, NF; Fischer, J.; Vollmar, P.; Heidenreich, T.; Schulte, D. Surun ja masennuksen ruumiillistuma – dysforiseen mielialaan liittyvät kävelykuviot. Psychosom. Med. 2009, 71, 580–587. [CrossRef] [PubMed]

3. Willems, TM; Witvrouw, E.; De Cock, A.; De Clercq, D. Kävelyyn liittyvät riskitekijät harjoitukseen liittyville säärekivuille shodrunningin aikana. Med. Sci. Urheiluharjoitus. 2007, 39, 330–339. [CrossRef] [PubMed]

4. Singh, JP; Jain, S.; Arora, S.; Singh, UP Visioon perustuva kävelyntunnistus: kysely. IEEE Access 2018, 6, 70497–70527. [CrossRef]

5. Makihara, Y.; Nixon, MS; Yagi, Y. Kävelytunnistus: Tietokannat, esitykset ja sovellukset. Comput. Vis. Viite. Opas 2020, 1-13.

6. Yu, S.; Tan, D.; Tan, T. Viitekehykset katselukulman, pukeutumisen ja kantokunnon vaikutuksen arvioimiseksi kävelyntunnistukseen. Julkaisussa 18th International Conference on Pattern Recognition (ICPR'06), Hongkong, Kiina, 20.–24. elokuuta 2006; Volume 4, s. 441–444.

7. Zhu, Z.; Guo, X.; Yang, T.; Huang, J.; Deng, J.; Huang, G.; Du, D.; Lu, J.; Zhou, J. Kävelytunnistus luonnossa: vertailukohta. InProceedings of the IEEE International Conference on Computer Vision (ICCV), Montreal, BC, Kanada, 11.–17.10.2021.

8. Chao, H.; Hän, Y.; Zhang, J.; Feng, J. Gaitset: Koskee kävelyä poikkinäkymän kävelytunnistuksen sarjana. Proceedings of the AAAIConference on Artificial Intelligence, Honolulu, HI, USA, 27.1.–1.2.2019; Osa 33, s. 8126–8133. 

9. Fan, C.; Peng, Y.; Cao, C.; Liu, X.; Hou, S.; Chi, J.; Huang, Y.; Li, Q.; Hän, Z. Gaitpart: Temporaalinen osapohjainen malli kävelyntunnistukseen. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, Seattle, WA, USA, 13.–19.6.2020; s. 14225–14233.

10. Cosma, A.; Radoi, IE WildGait: Kävelyesitysten oppiminen raakavalvontavirroista. Anturit 2021, 21, 8387. [CrossRef][PubMed]

For more information:1950477648nn@gmail.com