Central AsianResearch Index

КЛАССИФИКАЦИЯ ДЕЙСТВИЙ В ТЕННИСЕ НА ОСНОВЕ СКЕЛЕТНЫХ ДАННЫХ С ИСПОЛЬЗОВАНИЕМ ALPHAPOSE И МОДЕЛЕЙ СЕТИ GCN: АЛЬФАПОЗ ЖАНА GCN ТОР МОДЕЛДЕРИН КОЛДОНУУ МЕНЕН ТЕННИСТЕГИ АРАКЕТТЕРДИ СКЕЛЕТТИК МААЛЫМАТТАРГА НЕГИЗДЕЛИП КЛАССИФИКАЦИЯЛОО

ACTION CLASSIFICATION OF TENNIS SKELETAL DATA BASED ON ALPHAPOSE USING GCN NETWORK MODELS

Быстрое развитие автоматизированных систем в аналитике спорта подчеркивает необходимость точной классификации действий для улучшения тренировок и оценки результатов. Данное исследование представляет новый подход с использованием графовой сверточной сети (GCN) для классификации теннисных действий на основе скелетных данных, полученных с помощью системы оценки поз AlphaPose. В отличие от традиционных сверточных сетей, GCN использует графовую структуру, присущую моделям человеческого скелета, что обеспечивает надежную основу для захвата динамических пространственных отношений движений. Этот метод был тщательно протестирован на наборе данных, состоящем из стандартных теннисных движений, где GCN продемонстрировала более высокую точность по сравнению с традиционными подходами нейронных сетей. Результаты показывают, что GCN достигла точности в 85%, значительно превосходя точность сверточной нейронной сети, которая составила 60%. Сделанные выводы подчеркивают эффективность GCN в анализе спортивных движений и предлагают направления для будущих исследований в более широких контекстах классификации действий. Спорттук аналитика боюнча автоматташтырылган системалардын ылдам өнүгүшү машыктыруучулар жана аткаруу баалоосун жакшыртуу үчүн так аракеттерди классификациялоонун маанилүүлүгүн баса белгиледи. Бул изилдөө AlphaPose деген алдыңкы поза аныктоо системасынан алынган скелеттик маалыматтарды колдонуп теннис аракеттерин классификациялоодо жаңычыл мамиле сунуштайт. Салттуу конволюциялык тармактардан айырмаланып, GCN адамдын скелеттик моделдерине мүнөздүү графикалык структураны колдонуп, кыймылдын динамикалык кеңири мамилелерин туташтырууда туруктуу чөйрөнү сунуштайт. Бул ыкма стандарттык теннис кыймылдарынын маалыматтарын колдонуп кылдат текшерилген жана GCN салттуу нейрондук тармактык мамилелерге салыштырмалуу жогорку тактыкты көрсөткөн. Жыйынтыктар GCN 85% тактык менен ишке ашкандыгын, ал эми Конволюциялык Нейрондук Тармактын 60% тактыгына салыштырмалуу айтарлыктан жогору экендигин көрсөттү. Жыйынтыктоочу ойлор GCNдин спорттук кыймыл анализинде натыйжалуу экендигин белгилейт жана аракеттерди классификациялоонун кененирээк контексттеринде келечектеги изилдөөлөр үчүн жолдорду сунуштайт. The rapid advancement of automated systems in sports analytics has emphasized the need for precise action classification to enhance coaching and performance evaluation. This study introduces a novel approach by employing a Graph Convolutional Network (GCN) for classifying tennis actions using skeletal data derived from AlphaPose, an advanced pose estimation system. Unlike traditional convolutional networks, the GCN leverages the graph structure inherent in human skeletal models, offering a robust framework for capturing the dynamic spatial relationships of movements. This method was rigorously tested using a dataset comprised of standard tennis movements, where the GCN demonstrated superior accuracy compared to conventional neural network approaches. Results indicate that the GCN achieved an 85% accuracy rate, significantly outperforming the Convolutional Neural Network's 60% accuracy. The conclusions drawn underscore the effectiveness of GCN in sports motion analysis and suggest avenues for future research in broader action classification contexts.

Сведения

Опубликовано
2025 · № 2
Язык
Русский
ISSN
1694-7878
Издатель
National Attestation Commission under the President of the Kyrgyz Republic
Аффилиации
Кыргызский Государственный Технический Университет им. И. Раззакова,