PozConv3D algoritmasının pijon antrenman hareket tanımındaki uygulanması

Hızlı Bir Spor İçin Daha Akıllı Koçluk

Günümüzde pijon sadece kenar teşviki değil; zamanlama veya duruştaki küçük hataların temiz bir stunt ile tehlikeli bir düşüş arasındaki farkı yaratabileceği zorlu bir akrobatik takım sporudur. Yine de çoğu koçluk hâlâ çıplak göz ve yavaş video tekrarlarına dayanıyor. Bu makale, pijon rutinlerini kare kare izleyebilen, sporcuların vücut pozisyonlarını anlayabilen ve hangi hareketin yapıldığını ve ne kadar zor olduğunu otomatik olarak tanıyabilen bir yapay zeka sistemi tanıtıyor; bu, daha güvenli, daha hassas ve daha kişiselleştirilmiş antrenmanların yolunu açıyor.

Pijonun Neden Özel Bir Zorluk Oluşturduğu

Birçok spor ve günlük aktivite zaten bilgisayarlı görü ile incelendi, ancak pijon mevcut yöntemleri sınırlarına kadar zorluyor. Sporcular saniyede birkaç kez dönüyor, havada takla atıyor ve vücutların üst üste geldiği ve kameranın görüşünü kapattığı çok kişili piramitler kuruyorlar. Uzayda benzer görünen hareketler—kol dalgaları ve yüksek tekmeler gibi—çoğunlukla ritimlerinde farklılık gösterir; ki bu standart algoritmaların büyük ölçüde göz ardı ettiği bir özelliktir. Sonuç olarak, yaygın hareket tanıma sistemleri ana eklem noktalarını yanlış okuyabiliyor, grup stuntlarında bireylerin takibini kaybedebiliyor ve benzer hareket yollarını paylaşan hareketleri karıştırarak gerçek antrenman salonlarında düşük doğruluk ve güvenilmez geri bildirimle sonuçlanıyor.

Videoları Temiz Dijital İskeletlere Çevirmek

Yeni sistem, pikseller üzerinde değil videodan çıkarılan basitleştirilmiş “çöp adam” iskeletleri üzerinde çalışan PoseConv3D adlı poz tabanlı bir 3B konvolüsyon ağına dayanıyor. İlk yenilik, bu iskeletleri temizleyen dinamik bir düzeltme adımıdır. Alttaki pose algılayıcı bir eklem hakkında belirsiz olduğunda—örneğin bir dönüş sırasında bulanıklaşan bir bilek—sistem, komşu karelerin hareketini gözeten düzgün eğriler kullanarak zaman içinde en olası yolunu tahmin eder. Bu, eklem konumlarının titremesini ve sürüklenmesini yüzde 40’tan fazla azaltır ve öğrenme algoritmasına her sporcunun vücudunun hızlı rotasyonlar ve hava geçişleri sırasında gerçekten nasıl hareket ettiğine dair çok daha net bir görüntü verir.

Hem Küçük Detayları Hem Büyük Takım Desenlerini Görmek

İskeletler temizlendikten sonra, sistem aynı anda çoklu ölçeklerde hareketi analiz eder. Bir işlem dalı hızlı bir bilek fırlatması veya ayak bileği itişi gibi ince detaylara odaklanırken, başka bir dal geniş desenlere—örneğin bir bacağın süpürücü yayı veya bir kaldırışta birkaç sporcunun koordineli yükselişi—bakar. Bu bakışları birleştirerek model, küçük ayarlamaların büyük takım düzeyindeki oluşumlara nasıl katkıda bulunduğunu daha iyi anlar. Orta Florida Üniversitesi’ne ait özel bir pijon veri kümesi üzerinde yapılan testler—özenle etiketlenmiş hareketler ve zorluk seviyeleri içeren 500’den fazla yüksek çözünürlüklü antrenman ve müsabaka klibi—bu çok ölçekli yaklaşımın karmaşık, yüksek koordinasyonlu stuntların tanınmasını belirgin şekilde iyileştirdiğini gösteriyor.

Sistemi Ritmi Duymaya Öğretmek

Çalışmanın öne çıkan özelliklerinden biri, algoritmanın sporcuların uzayda nasıl hareket ettiğini izlemekle kalmayıp ne zaman hareket ettiklerini de öğrenmesidir. Araştırmacılar her eklemin kareden kareye ne kadar hızlı hareket ettiğini hesaplıyor ve bu değişimleri, müziği bir vuruş spektrumuna çevirmek gibi, ritim desenlerine dönüştürüyor. Özel bir dikkat modülü daha sonra hareket dizisinde ana ritmik imzalarla eşleşen anları vurguluyor. Bu, neredeyse aynı yolları izleyen ancak farklı tempolarda gerçekleşen eylemleri güvenilir şekilde ayırt etmeyi sağlıyor ve dalga benzeri hareketlerle senkronize tekmeleri karıştırma oranını yaklaşık her altı denemeden bir seviyesinden yalnızca yüzte birkaç seviyesine indiriyor.

Tanıma’dan Gerçek Zamanlı Antrenman Partnerine

İşlem hattının sonunda sistem eşzamanlı olarak iki çıktı üretiyor: gerçekleştirilen pijon hareketinin türü ve müsabaka kurallarıyla uyumlu tahmini bir zorluk puanı. Yaklaşık 90 kare/saniye hızında çalışarak gerçek zamanlı geri bildirim için gereken hızın rahatlıkla üzerine çıkıyor. Genel doğruluk yaklaşık %93’e ulaşıyor ve birkaç güncel yöntemi geniş farklarla geride bırakıyor. Sporcular ve koçlar için bu, yanlış zamanlanmış dalgaları, istikrarsız inişleri veya takım senkronizasyonundaki boşlukları anında işaretleyebilen ve aynı zamanda giderek zorlaşan becerilerdeki ilerlemeyi izleyebilen otomatik bir asistan anlamına geliyor—veriye dayalı, daha güvenli ve daha ince ayarlı pijon antrenmanına doğru güçlü bir adım sunuyor.

Atıf: Li, Q. Application of PoseConv3D algorithm in cheerleading training action recognition. Sci Rep 16, 12265 (2026). https://doi.org/10.1038/s41598-026-43019-4

Anahtar kelimeler: pijon, hareket tanıma, pose kestirimi, spor analitiği, derin öğrenme