高山滑雪比赛中基于深度学习的2D关键点检测-应用于常规滑雪和受伤情况的最先进算法的性能分析

JSAMS plus Pub Date : 2023-01-01 DOI:10.1016/j.jsampl.2023.100034

Michael Zwölfer , Dieter Heinrich , Kurt Schindelwig , Bastian Wandt , Helge Rhodin , Jörg Spörri , Werner Nachbauer

引用次数: 1

摘要

目的在本研究中，我们检验了基于深度学习的2D关键点检测应用于高山滑雪赛道上常规滑雪和受伤情况（即失去平衡和摔倒情况）的实用性。因此，我们创建了一个常规的滑雪和受伤情况特定数据集（以下简称“受伤滑雪数据集”），在该数据集上比较了最先进的关键点检测算法OpenPose、Mask-R-NN、AlphaPose和DCPose。通过计算每个关节位置误差的平均值（MPJPE）和正确关键点的百分比（PCK）来评估每个关键点检测器的性能。通过可视化分析进一步调查了故障案例和常见错误模式。结果我们观察到常规滑雪的最佳结果，在9（2）到14（3）像素的MPJPE下，81%–92%的关键点被正确检测到。在受伤的情况下，自我遮挡和罕见姿势变得更有可能，类似于雪雾和运动模糊造成的遮挡。因此，在失衡情况下，性能下降到68%-80%（PCK），而在秋季情况下，只有35%-54%的关键点被正确检测到，平均误差为26-36像素。在所有算法中，AlphaPose是最稳健的，并取得了最好的结果。结论常规滑雪的sPCK和MPJPE在手动注释错误的范围内，可以认为其足够低，可以进行进一步的生物力学分析。对于跌倒情况，应进一步改进关键点检测。关于未来开发用于高山滑雪损伤分析的深度学习工具，我们建议在滑雪和损伤特定数据集（如我们的数据集）上微调性能良好的关键点检测器，如AlphaPose。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

查看原文本刊更多论文

Deep learning-based 2D keypoint detection in alpine ski racing – A performance analysis of state-of-the-art algorithms applied to regular skiing and injury situations

求助全文

通过发布文献求助，成功后即可免费获取论文全文。去求助

来源期刊

JSAMS plus

自引率

0.00%

发文量