Os aplicativos orientados por IA e construídos com dados sintéticos podem examinar as especificidades do movimento humano?
Os aplicativos de fitness estão usando progressivamente a IA para controlar suas ofertas, fornecendo análises de exercícios baseadas em IA, integrando tecnologias como estimativa de pose humana, visão computacional e técnicas de processamento de linguagem natural. À medida que mais pessoas usam aplicativos de condicionamento físico para treinar e acompanhar seu progresso e desempenho, essa tendência só continuará.
Desafios de treinamento físico de IA
Uma das aplicações especiais da IA é a estimativa, uma abordagem de visão computacional que ajuda a determinar a posição e a orientação do corpo humano a partir de uma imagem de uma pessoa. Ele pode ser utilizado, por exemplo, em captura de movimento sem marcadores, análise de posição do trabalhador e animação de avatar para realidade virtual.
É necessário tirar inúmeras fotos do ator humano e seu ambiente circundante para analisar adequadamente a postura. As articulações do ator humano são então identificadas nessas fotos usando uma rede neural convolucional treinada.
Os aplicativos de fitness baseados em IA geralmente aproveitam a câmera do dispositivo para gravar filmes de até 720p e 60fps para capturar mais quadros enquanto um exercício está sendo realizado.
O problema é que, ao utilizar um método como estimativa de postura, os especialistas em visão computacional exigem enormes volumes de dados visuais para treinar a IA para avaliações de condicionamento físico. Dados envolvendo humanos envolvidos em muitos tipos de exercícios e interagindo com vários itens são bastante complicados. Para evitar viés, os dados também devem ter alta variância e ser suficientemente amplos. É praticamente impossível reunir dados precisos que cubram uma faixa tão ampla. Além disso, a anotação manual é cara, demorada e sujeita a erro humano.
Embora a avaliação de poses 2D já tenha atingido um grau aceitável de precisão, a estimativa de poses 3D fica aquém em termos de produção de dados de modelo confiáveis.
Isso é especialmente verdadeiro quando a inferência é feita usando apenas uma única imagem e sem nenhum dado de profundidade. Algumas técnicas usam muitas câmeras direcionadas ao assunto para coletar dados do sensor de profundidade para previsões mais precisas.
No entanto, a falta de conjuntos de dados anotados significativos de indivíduos em espaços abertos contribui para o problema com a estimativa de postura 3D. Por exemplo, para remover o ruído visual, grandes conjuntos de dados para estimativa de pose 3D, como Human3.6M, foram totalmente internos durante a captura.
Há uma tentativa contínua de desenvolver conjuntos de dados adicionais com dados mais variados sobre vários tipos de vestuário, ambiente, fala bem articulada e outros elementos importantes.
Ambientes de aptidão são representados por dados visuais sintéticos.
A plataforma Smart Fitness oferece dados visuais sintéticos anotados em 3D na forma de fotos e vídeos. Para tarefas que incluem estimativa de pontos-chave do corpo, análise de poses, contagem de repetições, análise de postura, identificação de objetos e outras atividades, esses dados visuais refletem o ambiente de condicionamento físico, movimento avançado e interações homem-objeto com precisão.
As equipes também podem utilizar a solução para produzir dados em movimento de corpo inteiro para iterar rapidamente e aprimorar o desempenho de seu modelo. Por exemplo, a plataforma Smart Fitness oferece a vantagem de poder imitar facilmente vários tipos de câmeras para gravar uma variedade de dados sintéticos de exercícios diversos em casos de análise de estimativa de postura.
A solução de dados sintéticos
Para testar e treinar sistemas de IA, o setor de TI hoje usa frequentemente dados sintéticos, um tipo de dado criado artificialmente que pode se assemelhar a dados operacionais ou de produção. As vantagens significativas dos dados sintéticos incluem o seguinte: Reduz as restrições relacionadas ao uso de dados regulamentados ou confidenciais, permite conjuntos de dados de treinamento massivos sem a necessidade de rotulagem humana de dados e pode ser usado para adaptar os dados para corresponder a situações que os dados reais não permitir.
Mais histórias em alta
Bitcoin em crise! Falha em recuperar a fé dos comerciantes depois de escorregar por US $ 24 mil
Google está infundindo LLM em robôs domésticos! Onde está nos levando?
Por que AIOps pode ser essencial para a engenharia no futuro
Os pacotes PyPi Python são a nova fonte de ataques à cadeia de suprimentos
Avatar do Metaverso de Zuckerberg novamente grita ‘Básico’! Recebe críticas no Twitter
Tornado Cash tornou os fundadores normais do DeFi vulneráveis e incapazes
As 10 principais perguntas sobre redes neurais convolucionais feitas em entrevistas da FAANG
Se a constipação é o que o incomoda, faça uma visita a este médico de IA
O post Análise de movimento humano de IA e dados sintéticos apareceu primeiro em .
source – www.analyticsinsight.net
