板间迁移：评估 Moonboard 难度等级预测的泛化能力
机器学习
2023-11-22 v1 计算机视觉与模式识别
摘要
抱石是一项运动员旨在利用一组称为路线（route）的既定支点向上攀爬的运动。通常路线会被赋予一个等级以告知攀登者其难度，并使他们更容易追踪自身进展。然而，个别攀登者技术与身体属性的差异以及单条路线的诸多细微之处，使得定级成为一项困难且常带偏见的任务。本工作中，我们将经典与深度学习建模技术应用于 2016、2017 和 2019 年 Moonboard 数据集，以 0.87 MAE 与 1.12 RMSE 取得了最先进的等级预测性能。我们在无需将路线分解为单个动作的特征集上达成此性能，而后者是文献中常见且会引入偏见的做法。我们还展示了该模型在不同版本间的泛化能力，并引入一种新颖的基于视觉的等级预测方法。尽管这些技术的泛化性能目前低于人类水平，我们提议将这些方法作为未来工作的基础。此类工具可集成于现有移动应用中，使攀登者能以更低的偏见更好地追踪进展并评估新路线。
引用
@article{arxiv.2311.12419,
title = {Board-to-Board: Evaluating Moonboard Grade Prediction Generalization},
author = {Daniel Petashvili and Matthew Rodda},
journal= {arXiv preprint arXiv:2311.12419},
year = {2023}
}