Modelo de Rede Neural para avaliação desportiva
DOI:
https://doi.org/10.47236/2594-7036.2021.v5.i3.34-44pKeywords:
Rede Neurais. Estimativa de Pose. Movimento Desportivo.Abstract
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
Metrics
References
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
Published
How to Cite
Issue
Section
License
Copyright (c) 2021 Jeremias Fontinele da Silva, Carlos Alberto de Sousa Parente Rodrigues, Carlos Henrique Corrêa Tolentino, Wandro Bequiman Maciel
This work is licensed under a Creative Commons Attribution 4.0 International License.
It allows sharing, adaptation, and use for any purpose, including commercial use, provided proper attribution is given to the authors and to Revista Sítio Novo.
The authors declare that the work is original and has not been previously published, in whole or in part, except on recognized preprint servers, if declared, and that no other similar manuscript authored by them is published or under review by another journal, whether printed or electronic.
They declare that they have not violated or infringed upon any proprietary rights of others, and that all citations in the text are factual or based on research with scientifically significant accuracy.
The authors retain the copyright of the manuscripts published in this journal, allowing unrestricted use of their content, provided that the original authorship and the publication source are properly cited.
