半監督学習とデジタルダンスにおける長期短期記憶ネットワークに基づく運動特性の抽出
Xue Yang1, Hanmin Sun2, Yin Lyu1,3
1College of Music, Huaiyin Normal University, Huai'an, China.
Frontiers in neurorobotics
|February 16, 2026
まとめ
この研究は,ダンスの分析のための新しいAIモデルを導入し,制限されたラベルデータを持つ3Dキーポイントに動作データを正確にマッピングします. 軽量で半監視のパイプラインは,デジタル・コレオグラフィとパフォーマンスの高い認識率を達成します.
科学分野:
- コンピュータビジョン コンピュータビジョン
- 人工知能 (AI) とは,人工知能 (AI) のことです.
- ダンス・テクノロジー・ダンス・テクノロジー
背景:
- デジタル画像技術は,ダンスにおける新たな創造的道を開きます.
- 低レベルの運動データを高レベルのダンスキーポイントに正確にマッピングすることは,特にラベル付きのデータが少ない場合,困難です.
研究 の 目的:
- 深部シーケンスから運動特性を抽出するための軽量で半監視パイプラインを開発する.
- これらの特徴を3Dのダンサーのキーポイントにリアルタイムでマップします.
- 限定されたラベルのデータで正確なダンス分析を可能にするために.
主な方法:
- ピクセルレベルのアライナメントのために,新しいLong Short-Term Memory-Convolutional Neural Network (LSTM-CNN) フレームワークが提案されました.
- タイム・コンテキストの特徴は,LSTMを使用して抽出され,その後,コンヴォルショナル層を通じて多次元空間的特徴のキャプチャが行われました.
- オンラインハードサンプルマイニング (OHEM) 戦略と加重損失関数は,半監督学習に組み込まれ,ラベル付きサンプルの20%のみで収束を可能にしました.
主要な成果:
- このモデルはMSR-Action3Dデータセットで平均96.9%の認識率を達成し,最良の比較方法を1.1%上回りました.
- 自己確立されたデータセットでは,精度は97.99%に達し,以前のアプローチと比較してトレーニング時間が35%短縮されました.
- ロールーツ・ミーン・スクエア・エラー (RMSE) 値 (≤0.032) は,予測されたキーポイントと基底真実のキーポイントの間の高い空間的精度を確認しました.
結論:
- 提案されたモデルは,限られた注釈で微妙なダンスジェスチャーを確実に追跡します.
- デジタル・コレオグラフィー,モーション・スタイル・トランスファー,インタラクティブ・ステージ・パフォーマンスの効率的で低コストなソリューションを提供します.
- 半監督によるアプローチは,ダンスの動き分析における広範なラベル付きデータの必要性を大幅に削減します.
キーワード:
CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN,CNN.線形回帰による線形回帰です.長期短期メモリネットワークモーション機能抽出 モーション機能抽出半監督学習 (semi-supervised learning) とは,半監督学習 (semi-supervised learning) とは,半監督学習 (semi-supervised learning) とは,半監督学習 (semi-supervised learning) とは,半監督学習 (semi-supervised learning) とは,半監督学習 (semi-supervised learning) とは,半監督学習 (semi-supervised learning) とは,半監督学習 (semi-supervised learning) とは,半監督学習 (semi-supervised learning) とは,半監督学習 (semi-supervised learning) とは,
