IRIS：用于动作质量评估的可解释量规引导动作分割
人工智能
2023-03-17 v1 计算机视觉与模式识别
人机交互
摘要
基于 AI 的体育视频动作质量评估（AQA）可以模仿奥运裁判，作为第二意见或用于训练来为表演打分。然而，这些 AI 方法不可解释，且无法证明其评分的合理性，而这对于算法问责至关重要。事实上，为了对决策负责，体育裁判并非主观打分，而是对每套表演序列中的多个动作使用一套一致的标准——量规（rubric）。因此，我们提出 IRIS，对动作序列执行可解释量规引导分割（Interpretable Rubric-Informed Segmentation）以用于 AQA。我们研究了 IRIS 在花样滑冰表演视频评分中的应用。IRIS 预测（1）动作分段，（2）各分段相对于基础分的技术动作分差异，（3）多项节目内容分，以及（4）加总的最终得分。在建模研究中，我们发现 IRIS 优于不可解释的最先进模型。在形成性用户研究中，练习中的花样滑冰运动员认可量规引导的解释，认为其有用，并更加信任 AI 的判断。本工作凸显了使用评判量规对 AI 决策进行问责的重要性。
引用
@article{arxiv.2303.09097,
title = {IRIS: Interpretable Rubric-Informed Segmentation for Action Quality Assessment},
author = {Hitoshi Matsuyama and Nobuo Kawaguchi and Brian Y. Lim},
journal= {arXiv preprint arXiv:2303.09097},
year = {2023}
}
备注
28th International Conference on Intelligent User Interfaces (IUI 2023)