Pose en Mouvement
Notre présentation finale de décembre 2020
À propos du projet
Dans le cadre de notre projet final pour le cours Introduction à l’apprentissage automatique (CSCI470) de l’automne 2020 à la Colorado School of Mines, notre équipe, composée d’Andrew Darling, d’Eric Hayes et de moi-même (Mehmet), a implémenté l’algorithme “Moving Pose”.
Le but était de prendre un jeu de données squelettiques capturé par un capteur de profondeur et de classer les actions humaines. Nous n’avons pas seulement implémenté l’algorithme principal, mais aussi développé une interface utilisateur simple pour démontrer ses capacités.
L’algorithme Moving Pose, proposé à l’origine par Mihai Zanfir, Marius Leordeanu et Cristian Sminchisescu, est une méthode puissante pour reconnaître et comprendre les actions humaines rapidement et avec précision à partir de données squelettiques 3D.
Le Document
Notre implémentation est basée sur l’article The Moving Pose: An Efficient 3D Kinematics Descriptor for Low-Latency Action Recognition and Detection (PDF) par Mihai Zanfir, Marius Leordeanu, et Cristian Sminchisescu.
Ensemble de données
Notre modèle a été entraîné et testé sur le MSR DailyActivity 3D Dataset. Nous nous sommes concentrés sur les actions suivantes du jeu de données :
Aperçu de l’interface
Nous avons créé une interface graphique simple pour visualiser les performances de l’algorithme en temps réel. Pour plus de détails sur l’interface graphique et le matériel utilisé, veuillez consulter le fichier README.md dans le répertoire /movingpose/gui/ du dépôt du projet.
