##plugins.themes.bootstrap3.article.main##
Анотація
Робота присвячена розпізнаванню пози людини під час швидких рухів і складних нестандартних поз за рахунок великої кількості задіяних у русі кінцівок. Тематичним напрямом було обрано художню гімнастику і, відповідно, специфіку суддівської оцінки виступу спортсменки. Велика кількість синхронізованих відео зі швидкими рухами та послідовністю складних поз з різних ракурсів дозволяє сформувати набір даних, необхідний для подальших досліджень та впровадження отриманих результатів як у соціально важливих галузях, так і на ринку комерційних послуг з використанням технологій штучного інтелекту. Розроблено комп’ютерну систему, яка може бути використана для підвищення об’єктивності спортивного суддівства на змаганнях з художньої гімнастики, а також стати альтернативою традиційній системі суддівства у разі проведення змагань у дистанційному форматі. Розширивши завдання, систему також можна використовувати для діагностики проблем з нервовою системою та опорно-руховим апаратом людини. У результаті дослідження було зібрано та структуровано набір даних, що відображає виконання спортивних елементів. Було визначено особливості моделей mediapipe та ViTPose та обрано найкраще рішення для попередньої обробки підготовленого набору. Основним результатом роботи є побудована та навчена модель класифікації спортивних елементів, яка класифікує 7 елементів з точністю 0,9048. Точність свідчить про те, що модель працює на високому рівні, у більшості випадків правильно класифікуючи спортивні елементи. Цей рівень точності вказує на те, що модель було ефективно навчено класифікувати ці конкретні елементи. У майбутньому, щоб мати можливість повноцінно оцінювати виступи художніх гімнасток, необхідно додати відстеження об’єкта, з яким виступає спортсменка, створити метод відстеження взаємодії з ним.
##plugins.themes.bootstrap3.article.details##
Посилання
[2.] Neskorodieva, A. (2023). Neural network methods for automatic person pose estimation in rhythmic gymnastics exercises. Ukrainian Journal of Information Systems and Data Science, 1(1), 53-65. https://jujisds.donnu.edu.ua/article/view/14739
[3.] Neskorodieva, A.R. (2023). Computer program "Pose estimation for sports (Rhythmic gymnastics)", UANIPIO, Ukraine, #116622, bul. no. 75. https://sis.nipo.gov.ua/en/search/detail/1739332/.
[4.] Rizzoli, A. (2021). 7 Game-Changing AI Applications in the Sports Industry. https://www.v7labs.com/blog/ai-in-sports (date of access: 30.01.2024).
[5.] Brefeld, U., Davis, J., Lames, M., & Little, J.J. (2021). Machine Learning in Sports. Dagstuhl-Seminar, 11 (9), 21411. https://doi.org/10.4230/DagRep.11.9.45
[6.] Chmait, N., & Westerbeek, H. (2021). Artificial Intelligence and Machine Learning in Sport Research: An Introduction for Non-data Scientists. Front Sports Act Living, 3, 682287. https://doi.org/10.3389/fspor.2021.682287
[7.] Richter, C., O'Reilly, M., & Delahunt, E. (2021). Machine learning in sports science: challenges and opportunities. Sports Biomechanics. https://doi.org/10.1080/14763141.2021.1910334
[8.] Musa, R.M., Taha, Z., Majeed, A.P.P.A., & Abdullah, M.R. (2019). Machine Learning in Sports. Springer Singapore, SpringerBriefs in Applied Sciences and Technology. https://doi.org/10.1007/978-981-13-2592-2
[9.] Pearson, A.W. (2019). The A.I. Sports Book: How AI and Machine Learning can revolutionize the sports. Independently published.
[10.] Bunker, R., & Susnjak, T. (2022). The Application of Machine Learning Techniques for Predicting Match Results in Team Sport: A Review. Journal of Artificial Intelligence Research, 73. https://doi.org/10.1613/jair.1.13509
[11.] Horvat, T., & Job, J. (2022). The use of machine learning in sport outcome prediction: A review. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 12 (2). https://doi.org/10.1002/widm.1380
[12.] Lotfi, S., & Rebbouj, M. (2021). Machine Learning for sport results prediction using algorithms. International Journal of Information Technology, 3 (3), 148-155. https://doi.org/10.52502/ijitas.v3i3.114
[13.] Bunkera, R.P., & Thabtah, F. (2019). A machine learning framework for sport result prediction. Applied Computing and Informatics, 15 (1), 27-33. https://doi.org/10.1016/j.aci.2017.09.005
[14.] Goodfellow, I., Bengio, Y., Courville, A. (2016). Deep Learning. The MIT Press.
[15.] Frederick, A.B. (2023). Gymnastics. https://www.britannica.com/sports/gymnastics. (date of access: 30.01.2024).
[16.] Fédération Internationale de Gymnastique (2024). https://www.gymnastics.sport/site/. (date of access: 30.01.2024).
[17.] Mack, M., Bryan, M., Heyer, G., & Heinen, T. (2019). Modeling Judges' Scores in Artistic Gymnastics. The Open Sports Sciences Journal, 12 (1), 1-9. https://doi.org/10.2174/1875399X01912010001
[18.] Pino Díaz-Pereira, M., Gómez-Conde, I., Escalona, M., & Olivieri, D.N. (2014). Automatic recognition and scoring of Olympic rhythmic gymnastic movements. Human Movement Science, 34, 63-80. https://doi.org/10.1016/j.humov.2014.01.001
[19.] Vrigkas, M., Nikou, C., & Kakadiaris, I.A. (2015). A Review of Human Activity Recognition Methods. Front. Robot. AI, 2:28. https://doi.org/10.3389/frobt.2015.00028
[20.] Zeng, L.-A., Hong, F.-T., Zheng, W.-S., Yu, Q.-Z., Zeng, W., Wang, Y.-W., & Lai, J.-H. (2020). Hybrid Dynamic-static Context-aware Attention Network for Action Assessment in Long Videos. arXiv.org. 1-10. https://arxiv.org/abs/2008.05977.
[21.] Freund, Y., & Schapire, R. (1999) Large Margin Classification Using the Perceptron Algorithm. Machine Learning, 37, 277-296. https://doi.org/10.1023/A:1007662407062
[22.] Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). Rich feature hierarchies for accurate object detection and semantic segmentation. arXiv.org, 1-21. https://arxiv.org/abs/1311.2524.
[23.] Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A.N., Kaiser, L., & Polosukhin I. (2017). Attention Is All You Need. arXiv.org, 1-15. https://arxiv.org/abs/1706.03762.
[24.] He, C. (2020). Transformer in CV. Medium. https://towardsdatascience.com/transformer-in-cv-bbdb58bf335e.
[25.] Verma, M., Kumawa t, S. Nakashima, Y., Raman, S. (2020). Yoga-82: A New Dataset for Fine-grained Classification of Human Poses. Arxiv.org, 1-9. https://arxiv.org/abs/2004.10362.
[26.] Olympics Gymnastics: Rhythmic Gymnastics - Individual All-Around-Qualification 1&2 | Tokyo 2020. YouTube. https://www.youtube.com/watch?v=uRzmkLF8MVI (date of access: 30.01.2024).
[27.] Olympics: FULL Rhythmic Gymnastics Individual All Around Final at Tokyo 2020. YouTube. URL: https://www.youtube.com/watch?v=v6ZuroWdLTs (date of access: 30.01.2024).
[28.] Albums from shooting at sports tournaments by photographer Maria Muzychenko. https://muzychenko.photos/our-services/sports-photography (date of access: 30.01.2024).
[29.] Igor Sakhatsky's portfolio. https://sakhatskyi.com/portfolio/ (date of access: 30.01.2024).
[30.] Ukrainian RG Federation: Victoria Onopriienko Ball Qual 26,200 - World Championships Kitakyushu 2021. YouTube. https://www.youtube.com/watch?v=IKzuWUIe8Rc (date of access: 30.01.2024).
[31.] GitHub - google/mediapipe: Cross-platform, customizable ML solutions for live and streaming media. GitHub. https://github.com/google/mediapipe (date of access: 30.01.2024).
[32.] Xu, Y., Zhang, J., Zhang, Q., & Tao, D. (2022). ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation. Arxiv.org, 1-16. https://arxiv.org/abs/2204.12484.
[33.] Kingma, D.P., & Ba, J. (2014). Adam: A Method for Stochastic Optimization. Arxiv.org, 1-15. https://arxiv.org/abs/1412.6980.