基于视频的运动分类与激活肌群预测：一种混合X3D-SlowFast网络
计算机视觉与模式识别
2025-07-22 v2 机器学习
摘要
本文介绍了一种简单而有效的运动分类和肌群激活预测（MGAP）策略。这些任务对个人健身具有重要意义，有助于实现更经济、更易获取、更安全、更简单的锻炼方案。这对于新手和残障人士尤其相关。该领域先前的研究主要依赖于安装传感器和有限的运动范围，降低了日常使用的实用性。此外，现有的MGAP方法也存在类似的传感器依赖性和受限的肌群范围，通常排除了对于全面健身方案至关重要的力量训练运动。为了解决这些局限性，我们的研究采用了一个基于视频的深度学习框架，涵盖了广泛的运动和肌群，包括那些对力量训练至关重要的运动和肌群。利用“Workout/Exercises Video”数据集，我们的方法以有效的方式整合了X3D和SlowFast视频活动识别模型，以增强运动分类和MGAP性能。我们的研究结果表明，这种通过加权集成获得的混合方法在准确性上优于现有的基线模型。预训练模型在提升整体性能方面起着关键作用，SlowFast模型的最佳通道缩减值接近10。通过一项探索微调的消融研究，我们进一步阐明了这两个任务之间的相互关系。我们的复合模型，即X3D和SlowFast的加权平均集成，在所有评估类别中为运动分类和MGAP都设立了新的基准，为先前方法的局限性提供了一个鲁棒的解决方案。
引用
@article{arxiv.2406.06703,
title = {Video-based Exercise Classification and Activated Muscle Group Prediction with Hybrid X3D-SlowFast Network},
author = {Manvik Pasula and Pramit Saha},
journal= {arXiv preprint arXiv:2406.06703},
year = {2025}
}
备注
13 pages, 1 figure, submitted to Nature Scientific Reports