通过前景实例选择与深度估计实现高效的力量训练技能分类
计算机视觉与模式识别
2025-07-17 v1
摘要
力量训练技能分类是计算机视觉中的一个任务，旨在从图像中推断运动员所执行的技能，从而实现自动化的性能评估和个性化分析。传统的力量训练技能识别方法基于姿态估计算得人体骨骼数据，随后输入分类算法以推断所执行的技能。尽管姿态估计算术ques取得了进展，但仍存在高计算成本、推理时间长以及复杂部署等问题，这限制了其在实时应用或移动设备上的适用性。本文提出了一种直接的力量训练技能识别方法，利用深度估计和运动员区域块检索，避免了计算密集的姿态估计模块。采用 Depth Anything V2 进行深度估计、YOLOv10 进行运动员定位，我们通过对主体与背景进行分割来实现从者不依赖传统姿态估计技术。该策略提高了效率，缩短了推理时间，并提升了分类准确率。我们的做法显著优于基于骨骼的方法，RGB 图像块推理速度提高了 38.3 倍，深度图像块的分类准确率提升至 0.837（相较于 0.815）。除了这些性能提升之外，我们管线的模块化设计允许灵活替换各组件，为未来的增强和实际应用提供适应性。
引用
@article{arxiv.2507.12292,
title = {Efficient Calisthenics Skills Classification through Foreground Instance Selection and Depth Estimation},
author = {Antonio Finocchiaro and Giovanni Maria Farinella and Antonino Furnari},
journal= {arXiv preprint arXiv:2507.12292},
year = {2025}
}
备注
13 pages, 4 figures, In International Conference on Image Analysis and Processing