MonoClub: Pose-Guided Joint Localisation of Golf Clubhead and Shaft in Monocular Swing Video
यह शोध पत्र MonoClub को प्रस्तुत करता है, जो मोशन ब्लर और ऑक्लूजन जैसी चुनौतियों से निपटने के लिए बॉडी-स्केल प्रायर्स, ज्यामितीय और अपीयरेंस क्यूज़, और टेम्पोरल कंसिस्टेंसी को एकीकृत करके मोनोकुलर वीडियो में गोल्फ क्लबहेड्स और शाफ्ट को विश्वसनीय रूप से स्थानीयकृत करने वाला एक पोज़-गाइडेड फ्रेमवर्क है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एक मानक वीडियो कैमरे पर गोल्फ स्विंग देखना कंप्यूटर के लिए एक भ्रामक रूप से कठिन कार्य है। मानव आँख के लिए, यह शक्ति का एक तरल चाप (fluid arc) है, लेकिन एक मशीन के लिए, यह पतली रेखाओं और छोटी, तेजी से चलती वस्तुओं का एक अराजक धुंधलापन है। गोल्फ क्लब स्वयं एक अनूठी पहेली पेश करता है: क्लब का शाफ्ट एक लंबा, पतला डंडा है जो अक्सर पृष्ठभूमि में गायब हो जाता है या गति की एक लकीर में धुंधला हो जाता है, जबकि अंत में लगा भारी क्लबहेड एक छोटा, गहरा आकार है जिसे आसानी से छाया या अन्य वस्तुओं के साथ भ्रमित किया जा सकता है। अतीत में, इन स्विंग्स का विश्लेषण करने के लिए खिलाड़ी द्वारा पहने जाने वाले महंगे सेंसर या विशेष कैमरों वाले नियंत्रित स्टूडियो वातावरण की आवश्यकता होती थी। हालिया कंप्यूटर विजन अनुसंधान का लक्ष्य केवल एक साधारण वीडियो कैमरे का उपयोग करके उसी स्तर की अंतर्दृष्टि प्राप्त करना रहा है, लेकिन वास्तविक दुनिया के स्विंग का दृश्य शोर (visual noise) ने इसे एक जिद्दी चुनौती बना दिया है।
शोधकर्ताओं की एक टीम ने अब एक नई प्रणाली विकसित की है जो इस समस्या को हल करती है, क्योंकि यह गोल्फर के शरीर और गोल्फ क्लब को दो अलग-अलग चीजों के बजाय एक एकल, जुड़े हुए इकाई के रूप में मानती है। क्लब को अलग से खोजने के बजाय, उनकी विधि पहले खिलाड़ी की मुद्रा (posture) को देखती है ताकि यह समझा जा सके कि हाथ संभवतः क्लब को कहाँ पकड़े हुए होंगे। यह एक शुरुआती बिंदु, या एक एंकर (anchor) बनाता है, जो खोज का मार्गदर्शन करता है। सिस्टम फिर कई संभावित अनुमान उत्पन्न करता है कि क्लब कहाँ हो सकता है, और वीडियो फ्रेम में दृश्य साक्ष्य के विरुद्ध प्रत्येक का परीक्षण करता है। यह जाँचता है कि क्या शाफ्ट के लिए प्रस्तावित रेखा वास्तव में एक क्लब शाफ्ट की तरह दिखती है, क्या क्लब का हेड एक वास्तविक क्लब के आकार से मेल खाता है, और क्या पूरा सेटअप गोल्फर के हाथों की स्थिति को देखते हुए भौतिक रूप से तर्कसंगत है। यदि साक्ष्य मजबूत और सुसंगत है, तो सिस्टम अवलोकन को स्वीकार कर लेता है; यदि छवि बहुत धुंधली है या क्लब छिपा हुआ है, तो सिस्टम गलत उत्तर देने के बजाय ईमानदारी से स्वीकार करता है कि वह क्लब को नहीं देख सकता।
शोधकर्ताओं ने विभिन्न कोणों और विभिन्न प्रकाश स्थितियों में ली गई वास्तविक गोल्फ वीडियो के संग्रह पर इस दृष्टिकोण का परीक्षण किया। उन्होंने पाया कि क्लब की स्थिति को गोल्फर के शरीर से जोड़कर, सिस्टम उल्लेखनीय सटीकता के साथ क्लबहेड का पता लगा सकता है, जो एक मानक वीडियो फ्रेम में वास्तविक केंद्र से औसतन केवल 9.1 पिक्सेल की चूक करता है। 93 प्रतिशत से अधिक मामलों में जहाँ क्लब दिखाई दे रहा था, सिस्टम ने क्लबहेड को उसके वास्तविक स्थान के 10 पिक्सेल के भीतर रखा। इसने क्लब शाफ्ट के कोण को मापने में भी उच्च प्रभावी सिद्ध किया, दिशा का अनुमान केवल 3.6 डिग्री की त्रुटि के साथ लगाया। शायद सबसे महत्वपूर्ण बात यह है कि सिस्टम ने यह पहचानना सीख लिया कि वह कब विफल हो रहा है। उन स्थितियों में जहाँ क्लब अत्यधिक धुंधला था या खिलाड़ी के अपने शरीर द्वारा बाधित था, सिस्टम ने 80.0% का विज़िबिलिटी F1 स्कोर प्राप्त किया, जो एक निश्चित दर पर निर्णय रोकने के बजाय, दृश्यमान फ्रेमों को सही ढंग से पहचानने और गलत पहचानों से बचने के बीच एक मजबूत संतुलन को दर्शाता है।
यह कार्य एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है क्योंकि यह एक शून्य (vacuum) में एक पतली वस्तु को देखने के लिए कंप्यूटर को मजबूर करने के बजाय, मानव शरीर के संदर्भ का उपयोग करके क्लब की खोज को बहुत अधिक विश्वसनीय बनाता है। सिस्टम को स्विंग की त्रि-आयामी गहराई को समझने या गेंद की उड़ान के भौतिकी को पुनर्गठित करने की आवश्यकता नहीं है; इसे बस स्क्रीन पर दिखाई देने वाले क्लब के द्वि-आयामी आकार और स्थिति का सटीक वर्णन करने की आवश्यकता है। क्लब के आकार के दृश्य संकेतों को गोल्फर की ग्रिप के तार्किक प्रतिबंधों के साथ जोड़कर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो सटीक भी है और अपनी सीमाओं के प्रति ईमानदार भी है। परिणाम एक ऐसी विधि है जो वास्तविक समय के अनुप्रयोगों में उपयोग किए जाने के लिए पर्याप्त तेजी से चल सकती है, जो विशेष उपकरण या सेंसर की आवश्यकता के बिना साधारण वीडियो से गोल्फ स्विंग का विश्लेषण करने का एक मजबूत तरीका प्रदान करती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।