Уведомления
Авторизуйтесь или зарегистрируйтесь, чтобы оценивать материалы, создавать записи и писать комментарии.
Авторизуясь, вы соглашаетесь с правилами пользования сайтом и даете согласие на обработку персональных данных.
Российские ученые научили искусственный интеллект разбираться в фигурном катании
Исследователи из НИУ ВШЭ в Перми разработали NeuroSkate — нейросеть, которая распознает движения фигуристов на видео и определяет правильность выполняемых элементов. Алгоритм успешно справляется с базовыми элементами, дальнейшее развитие модели позволит повысить точность распознавания сложных прыжков.
Фигурное катание — технически сложный вид спорта, где важны не только скорость и сила, но и точность движений. Тренеры привыкли полагаться на собственное зрение и опыт, но объективные данные могут дать больше информации: какие элементы удаются лучше, какие требуют доработки, как меняется техника со временем. Особенно в детском спорте, где группы достигают 15 человек и тренеру сложно одновременно следить за каждым спортсменом.
Команда проекта NeuroSkate (Анна Проворова, Дарья Семёнова, Людмила Гергерт, Софья Куликова, Ирина Полякова) решила проверить, как искусственный интеллект справится с анализом движений фигуристов. Исследователи выбрали шесть движений, которые проще всего определить по позе спортсмена: бильман, вращения, кораблик и несколько базовых одинарных прыжков — флип, риттбергер и лутц. Главная идея состояла в том, чтобы нейросеть могла автоматически находить фигуриста на видео, отслеживать его движения и подписывать, какой элемент выполняется.
«Звучит просто, но на практике это задача не из легких. Для обучения алгоритмов нужны большие базы данных, а их в открытом доступе почти нет. В исследованиях анализируют взрослых спортсменов, а вот видео юных фигуристов с размеченными движениями до сих пор никто не собирал», — рассказывает младший научный сотрудник Центра когнитивных нейронаук НИУ ВШЭ в Перми Анна Проворова.
Проект реализовывался вместе со Спортивной школой олимпийского резерва «Орленок» в Перми, которая предоставила данные для обучения нейросети.
«Пока фигуристы были на летнем перерыве, мы использовали записи соревнований и открытые видео. Позже удалось снять собственные кадры с тренировок, но только на телефон, без профессионального оборудования, что сказалось на качестве изображения и точности разметки», — рассказывает заведующая Центром когнитивных нейронаук НИУ ВШЭ в Перми Софья Куликова.
Распознавание движений состоит из нескольких этапов. Сначала видео разбивается на кадры, на каждом из них выделяются ключевые точки на теле фигуриста. Затем последовательность из 60 кадров с отмеченными точками передается в нейросеть, которая анализирует движения спортсмена.
На первых этапах модель тестировали в бинарной классификации: ей предлагали различать движения попарно, например риттбергер и кораблик, без добавления других элементов. В таком формате система работала стабильно, показывая точность 72%. Но как только задача усложнялась, а элементов становилось больше, система начинала ошибаться. Исследователи продолжили разметку новых видео и дообучили модель, благодаря чему спортсменов стало легче распознавать на видео.
Параллельно разработчики создали веб-приложение, в котором можно загружать тренировочные видео и анализировать статистику конкретного спортсмена. В перспективе это может стать инструментом, который поможет тренерам следить за прогрессом учеников, не пересматривая часы записей.
«Мы надеемся продолжить работу над проектом, так как есть идеи, как улучшить алгоритм: самое первоочередное — собрать большую и качественную базу данных видеозаписей спортсменов. Также есть понимание, как улучшить блок распознавания движений. Например, использовать графовые нейросети. Это очень перспективное направление. Одна из таких моделей (HD-GCN) показала впечатляющие результаты, которые были представлены на крупнейшей конференции по компьютерному зрению ICCV в 2023 году. Однако запустить ее на реальных данных проекта пока не удалось», — рассказывает Анна Проворова.
Исследование выполнено в рамках программы «Приоритет-2030».
Telegram 
Дзен 
VK Бразильские зоологи выяснили, каких именно насекомых и пауков ловят домашние кошки в городах. Для этого использовали не полевые наблюдения, а анализ социальных сетей. Просмотрев более 17 000 видео и фото в TikTok и на фотостоке iStock, ученые нашли 550 записей кошачьей охоты. Самая частая добыча — кузнечики, сверчки, цикады и тараканы.
Чтобы охотиться при температурах ниже нуля, пауки рода Clubiona выработали особые белки-антифризы. Изучив членистоногих, собранных в грушевых садах неподалеку от города Брно (Чехия), ученые раскрыли молекулярный механизм, позволяющий этим паукам не впадать в зимнюю спячку.
Наблюдая за галактикой CANUCS-LRD-z8.6 с помощью космической обсерватории «Джеймс Уэбб», астрономы обнаружили в ее центре сверхмассивную черную дыру. Хотя она существовала всего через 500 миллионов лет после Большого взрыва, ее масса оказалась рекордной для столь ранней эпохи.
Человеческие языки разнообразны, но это разнообразие ограничивается повторяющимися закономерностями. Пытаясь описать правила, которым подчиняются различия в грамматике, лингвисты сформулировали ряд так называемых грамматических универсалий — утверждений, предположительно верных для всех или большинства языков мира. Международная команда ученых провела статистический анализ на материале 2430 языков и обнаружила, что соответствующими действительности можно считать около трети таких утверждений.
Так называемые зумеры и альфа, несмотря на молодой возраст, уже формируют ключевые поведенческие и потребительские тренды. Ученые Пермского Политеха рассказали, почему обозначение поколений начали с конца алфавита, как альфа и зумеры отличаются в способности к терпеливости, совмещении цифрового и реального «Я», подходу к профессиональной деятельности и отношении к финансам, какое мышление пришло на смену клиповому и как использование искусственного интеллекта повлияет на авторитет родителей.
Бразильские зоологи выяснили, каких именно насекомых и пауков ловят домашние кошки в городах. Для этого использовали не полевые наблюдения, а анализ социальных сетей. Просмотрев более 17 000 видео и фото в TikTok и на фотостоке iStock, ученые нашли 550 записей кошачьей охоты. Самая частая добыча — кузнечики, сверчки, цикады и тараканы.
Проанализировав данные наблюдений, полученных с помощью наземных обсерваторий за последние два десятилетия, астрономы обнаружили потенциально обитаемый мир — суперземлю Gliese 251 c (GJ 251 с). Планета обращается вокруг красного карлика на расстоянии около 18 световых лет от Земли и считается одним из самых перспективных кандидатов для поисков жизни.
Человеческие языки разнообразны, но это разнообразие ограничивается повторяющимися закономерностями. Пытаясь описать правила, которым подчиняются различия в грамматике, лингвисты сформулировали ряд так называемых грамматических универсалий — утверждений, предположительно верных для всех или большинства языков мира. Международная команда ученых провела статистический анализ на материале 2430 языков и обнаружила, что соответствующими действительности можно считать около трети таких утверждений.
По расчетам, большинство «гостей» из других звездных систем летят к Земле примерно со стороны созвездия Геркулес. Скорее всего, они время от времени падают на нашу планету, просто мы еще не научились это замечать. Как удалось вычислить, чаще всего они должны падать зимой и где-то в окрестностях экватора.
Вы попытались написать запрещенную фразу или вас забанили за частые нарушения.
Понятно
Из-за нарушений правил сайта на ваш аккаунт были наложены ограничения. Если это ошибка, напишите нам.
Понятно
Наши фильтры обнаружили в ваших действиях признаки накрутки. Отдохните немного и вернитесь к нам позже.
Понятно
Мы скоро изучим заявку и свяжемся с Вами по указанной почте в случае положительного исхода. Спасибо за интерес к проекту.
Понятно