Modelo de Rede Neural para avaliação desportiva
DOI:
https://doi.org/10.47236/2594-7036.2021.v5.i3.34-44pPalavras-chave:
Rede Neurais. Estimativa de Pose. Movimento Desportivo.Resumo
Trata-se de uma pesquisa que objetiva comprovar a possibilidade de utilizar um Modelo em Rede Neural capaz de avaliar o movimento desportivo. O diferencial deste estudo encontra-se no fato de a máquina-servidor ser totalmente em cloud, o que torna viável sua futura utilização por dispositivos mobile devido ao não comprometimento da capacidade de processamento destes. Outro fato relevante é o emprego de duas Redes Neurais (Convolucional e Recorrente) na análise do movimento desportivo. Quanto à metodologia investigativa, este trabalho tem por alicerce uma revisão bibliográfica sobre Rede Neurais e estimativa de pose humana. Isso significa que a fundamentação teórica foi desenvolvida tendo por suporte estudos já realizados e publicados sobre a temática. Como resultado, conclui-se que a utilização de redes convolucionais para a análise de estimativa de pose possui uma acurácia satisfatória, mas que carece de tratamento de ruídos para que a análise da execução do movimento desportivo possa ser feita de fato.Downloads
Métricas
Referências
BRITO, Eduardo Stein. Transcrição Musical Automática do Instrumento de Bateria a partir de Vídeos. 2019. 76 f. Monografia (Especialização) - Curso de Engenharia de Computação, Universidade Federal do Rio Grande do Sul, Porto Alegre, 2019. Disponível em: http://hdl.handle.net/10183/198581. Acesso em: 7 set. 2020.
CAO, Zhe. et al. Realtime Multi-Person 2D Pose Estimation Using Part Affinity Fields. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 7291-7299, 2017. Disponível em: https://openaccess.thecvf.com/content_cvpr_2017/papers/Cao_Realtime_Multi-Person_2D_CVPR_2017_paper.pdf. Acesso em: 15 set. 2020.
CHRISTENSEN, Clayton M.; BOWER, Joseph L. Disruptive Technologies: Catching the Wave. Magazine Harvard Business Review (HBR), 1995. Disponível em: https://hbr.org/1995/01/disruptive-technologies-catching-the-wave. Acesso em 02/09/2020.
FONSECA, José Pedro Castro. FPGA implementation of a LSTM Neural Network. 2016. 86 f. Dissertação (Mestrado) - Curso de Engenharia da Computação, Faculdade de Engenharia, Universidade do Porto, Porto-PT, 2020. Disponível em: https://repositorio-aberto.up.pt/bitstream/10216/90359/2/138867.pdf. Acesso em: 15 set. 2020.
GONG, Wenjuan. et al. Human pose estimation from monocular images: a comprehensive survey. Sensors (Switzerland), v. 16, n. 12, p. 1-39, 2016. Disponível em: https://doi.org/10.3390/s16121966. Acesso em: 7 jan. 2021.
LEITE, Guilherme Vieira. Detecção de Quedas de Pessoas em Vídeos Utilizando Redes Neurais Convolucionais com Múltiplos Canais. 2020. 52 f. Dissertação (Mestrado) - Curso de Ciência da Computação, Instituto de Computação, Universidade Estadual de Campinas, Campinas, 2020. Disponível em: http://repositorio.unicamp.br/jspui/handle/REPOSIP/341843. Acesso em: 15 set. 2020.
MACEDO, Victor Oliveira Corrieri de; SANTOS, Joyce da Costa. Análise cinemática automática usando OpenPose e Dynamic Time Warping com aplicações no remo. 2019. 56 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica) —Universidade de Brasília, Brasília, 2019. Disponível em: https://bdm.unb.br/handle/10483/24937. Acesso em: 15 set. 2020.
MENACHE, Alberto. Understanding motion capture for computer animation and video games. illustrated. 2. ed. [S.l.]: Morgan kaufmann, v. 1, 2000.
SCHWAB, Klaus. A Quarta Revolução Industrial. Tradução de Daniel Moreira Miranda. 1. ed. São Paulo: Editora Edipro, 2019.
SIMAS, Gisele Moraes. et al. Utilizando visão computacional para reconstrução probabilística 3d e rastreamento de movimento. VETOR-Revista de Ciências Exatas e Engenharias, v. 17, n. 2, p. 59-77, 2007. Disponível em: http://repositorio.furg.br/handle/1/6862. Acesso em: 15 set. 2020.
TERLEMEZ, Ömer et al. Master Motor Map (MMM)—Framework and toolkit for capturing, representing, and reproducing human motion on humanoid robots. In: 2014 IEEE-RAS International Conference on Humanoid Robots. Madrid. IEEE, p. 894-901, 2014. Disponível em: https://doi.org/10.1109/HUMANOIDS.2014.7041470. Acesso em: 15 set. 2020.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2021 Revista Sítio Novo
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Permite o compartilhamento, adaptação e uso para quaisquer fins, inclusive comerciais, desde que feita a devida atribuição aos autores e à Revista Sítio Novo.
Os autores declaram que o trabalho é original, não foi previamente publicado em parte ou no todo, exceto em servidores de preprints reconhecidos, desde que declarado, e que nenhum outro manuscrito similar de sua autoria está publicado ou em processo de avaliação por outro periódico, seja impresso ou eletrônico.
Declaram que não violaram nem infringiram nenhum tipo de direito de propriedade de outras pessoas, e que todas as citações no texto são fatos verdadeiros ou baseados em pesquisas de exatidão cientificamente considerável.
Os autores mantêm os direitos autorais dos manuscritos publicados nesta revista, permitindo o uso irrestrito de seu conteúdo, desde que citada a autoria original e a fonte da publicação.
