FenceNet：击剑中细粒度步法识别
计算机视觉与模式识别
2022-04-21 v1
摘要
当前加拿大奥运击剑队的数据分析主要由教练与分析人员手动完成。鉴于击剑中高度重复却又动态且细微的动作，手动数据分析可能低效且不精确。我们提出 FenceNet 作为一种新颖架构，以自动化分类击剑中的细粒度步法技术。FenceNet 以 2D 姿态数据作为输入，并采用基于骨架的动作识别方法分类动作，该方法融入时序卷积网络以捕捉时间信息。我们在击剑步法数据集（FFD）上训练并评估 FenceNet，该数据集包含 10 名击剑者各执行 6 种不同步法动作 10–11 次（共 652 段视频）。FenceNet 在 10 折交叉验证下达到 85.4% 准确率，每折将一名击剑者留作测试集。该准确率与当前最优方法 JLJA（86.3%）相差在 1% 以内，后者从骨架数据、深度视频与惯性测量单元中筛选并融合所设计的特征。BiFenceNet 是 FenceNet 的变体，通过两个独立网络捕捉人体运动的“双向性”，达到 87.6% 准确率，优于 JLJA。由于 FenceNet 与 BiFenceNet 均不需来自可穿戴传感器的数据（不同于 JLJA），它们可借由现成 2D 人体姿态估计器提取的 2D 姿态数据作为输入，直接应用于多数击剑视频。相较 JLJA，我们的方法也更简洁，无需手动特征设计、筛选或融合。
引用
@article{arxiv.2204.09434,
title = {FenceNet: Fine-grained Footwork Recognition in Fencing},
author = {Kevin Zhu and Alexander Wong and John McPhee},
journal= {arXiv preprint arXiv:2204.09434},
year = {2022}
}