Að kanna sjálfstýrða sjónspenna til að þekkja gangtegundir í The Wild Part 3

Við notum einfalt uppsýni til að interpola milli nærliggjandi samskeyti (Mynd 3). Hins vegar, að gera slíkt á beinagrindinni með barnalegum hætti, leiðir til rangra liða þvert yfir beinagrindina, óháð vali á beinagrindarsniði (td OpenPose eða COCO), þar sem liðaröðunin varðveitir enga merkingarfræðilega merkingu.

Með raðgreiningu er átt við að færa liðamót líkamans í ákveðinni röð. Þessi tegund af hreyfingu gegnir mikilvægu hlutverki við að viðhalda líkamlegri heilsu og efla líkamsminni.

Í fyrsta lagi getur liðaröðun stuðlað að samræmdum hreyfingum ýmissa líkamshluta, aukið vöðvastyrk og bætt hjarta- og lungnastarfsemi, sem allt hjálpar til við að viðhalda góðri heilsu. Jafnframt getur regluleg samstilling liða dregið úr stífleika og verkjum líkamans, bætt líkamsstöðu og jafnvægi og seinkað hnignun líkamlegrar starfsemi af völdum aldurs.

Í öðru lagi getur samröðun einnig aukið minni. Rannsóknir sýna að hreyfing getur örvað vöxt og tengingar taugafrumna í heila og þar með stuðlað að upplýsingaskiptum milli taugafrumna, sem getur hjálpað til við að auka minni og námsgetu. Raðaðar hreyfingar liða krefjast þess að heilinn gefi nákvæmar leiðbeiningar um hreyfingar ýmissa líkamshluta, sem er mjög gagnlegt fyrir þróun samhæfingar og minnishæfileika heilans.

Að lokum getur liðaröðun einnig létt á streitu og kvíða og bætt tilfinningalegan stöðugleika. Hreyfing getur losað sum efni í líkamanum, eins og dópamín og endorfín, sem geta hjálpað til við að létta tilfinningaleg vandamál og bæta tilfinningu líkamans fyrir hamingju og ánægju. Þessir þættir hafa einnig jákvæð áhrif á að bæta minni.

Í stuttu máli má segja að það sé jákvætt samband á milli liðaröðunar og minnis. Með reglulegum liðröðunaræfingum geturðu stuðlað að heilbrigðum líkams- og heilaþroska, aukið minni og námsgetu og aukið tilfinningalegan stöðugleika. Við skulum huga að góðri heilsu og njóta fegurðar lífsins saman! Það má sjá að við þurfum að bæta minnið og Cistanche deserticola getur bætt minnið verulega því Cistanche deserticola er hefðbundið kínverskt lækningaefni sem hefur mörg einstök áhrif, ein þeirra er að bæta minni. Virkni hakkaðs kjöts kemur frá hinum ýmsu virku innihaldsefnum sem það inniheldur, þar á meðal sýru, fjölsykrur, flavonoids o.fl. Þessi innihaldsefni geta stuðlað að heilsu heilans á ýmsan hátt.

Smelltu á vita bætiefni til að bæta minni

Þessi athugun er í samræmi við verk Yang o.fl. [44], sem leggur til mynd af beinagrind trjábyggingar (TSSI) til að leggja til staðbundin tengsl milli liða. Það er byggt á dýpt-fyrsta tré gegnum röðun á liðum, sem varðveitir byggingarupplýsingar beinagrindarinnar. Mynd 3 (hægri), sýnir áhrif mismunandi beinagrindarsniða og uppsýnisaðferða. Fyrir þessa stærðarbreytingaraðferð notuðum við TSSI snið og tvíkubíska innskot.

Ennfremur gerðum við tilraunir með tvær uppskalunaraðferðir, sem var hægt að læra á meðan á þjálfun stendur. Við notuðum einfalt línulegt lag sem var borið á hverja útflatta beinagrind til að fjölga liðum. Þetta er einfaldasta leiðin til að umbreyta hverri beinagrind, en það tekur ekki tillit til neinna staðbundinna samskipta milli liða. Til að bregðast við þessu notarðu líka sett af tvívíddar afslöppunarlögum á beinagrindaröðinni til að breyta stærð á meðan einnig er tekið tillit til byggingarupplýsinganna; fyrir þessa aðferð notum við einnig TSSI sniðið.

Tafla 1 sýnir niðurstöður fyrir hverja stærðarbreytingaraðferð fyrir alla arkitektúra. Líkönin voru þjálfuð og metin á CASIA-B í 200 tímabil og við sýnum niðurstöður fyrir venjulega göngu. Fyrir restina af tilraunum okkar völdum við að taka upp sýni úr beinagrindinni með bicubic interpolation.

Þó að það séu nokkrar mögulegar sjálfstýrðar forþjálfunaraðferðir, völdum við andstæða forþjálfunaraðferð þar sem það er sama aðferðin fyrir raunverulegt endurheimtarverkefni við göngugreiningu. Andstæður nálganir hvetja framsetningu sem tilheyrir sama flokki til að vera nálægt í dulda rýminu, en vera á sama tíma fjarri framsetningum sem tilheyra mismunandi flokkum.

Sérstaklega notum við Supervised Contrastive [45] fyrir forþjálfun. SupCon tap starfar á margskoðaðri lotu: hvert sýni í lotunni hefur margar auknar útgáfur af sjálfu sér. Sýnt hefur verið fram á að það er náttúrulega öflugra gegn spillingu gagna, það dregur úr þörfinni fyrir vandlega val á þríburum þar sem hallinn hvetur til að læra af erfiðum dæmum og er minna næmur fyrir ofbreytum.

3.4. Gagnaaukning

Þjálfun á sjálfstýrðan andstæðan hátt með SupCon tapi felur í sér notkun gagnaaukninga til að veita margar auknar „skoðanir“ af sömu beinagrindaröðinni. Aukningar sem notaðar eru fyrir gönguraðir beinagrindarinnar eru í samræmi við önnur verk á þessu sviði [10,12, 30]. Aðalaukningin sem notuð er er tilviljunarkennd tímabundin klipping með lengd T=64 ramma.

Í ljósi þess að beinagrindur eru raktar í breytilegan tíma, notum við klippingu til að tryggja að allar raðir hafi sömu lengd. Þar að auki gæti gangandi manneskja breytt um stefnu og framkvæmt aðrar aðgerðir yfir fylgjandi lengd; þar af leiðandi veldur uppskera meiri breytileika fyrir sömu röð.

Ennfremur breytum við gönguhraðanum með því að hægja á eða hraða göngunni. Við notuðum hraðabreytingar á {{{0}}.5, 0.75, 1, 1.25, 1.5, 1.75, 2.0}. Þetta er aðlagað af verkum Wang o.fl. [48] ​​fyrir sjálfstætt nám á myndbirtingum. Ennfremur hefur hraðabreyting verið notuð í göngugreiningu áður [33].

Við notum líka tilviljunarkenndar snúning með líkum upp á {{0}}.5, viðsnúning á röð með líkur upp á 0.5, aukið Gauss-hljóð fyrir hvern lið með σ=0.005, og tilviljunarkennd brottfall 5% liða með líkum upp á 0,01 til að líkja eftir liðum sem vantar úr poseestimation líkaninu.

3.5. Frumstillingaraðferðir

Til að meta áhrif sjálfstýrðrar forþjálfunarframmistöðu á fyrirhugaða arkitektúr, kannum við þrjár mismunandi frumstillingaraðferðir. Tafla 2 sýnir hin ýmsu gagnasett sem notuð eru í bókmenntunum. Þó að CASIA-B [6] og FVG[29] séu stýrð gagnasöfn, aðallega notuð til mats, notum við DenseGait [12] og GREW [7] fyrir sjálfstýrða forþjálfun fyrir arkitektúrana fimm. DenseGait og GREW eru tveir af stærstu raunhæfu gagnagrunnum um gangtegundir, safnað í útivistaraðstæðum, sem væntanlega innihalda meirihluta afbrigða, hegðunar og margbreytileika í daglegu lífi. Við veljum þessi gagnasett til að hafa almennari framsetningu á göngulagi, til að gera ráð fyrir göngustaðfestingu í allsherjar eftirlitssviðum.

DenseGait Pretraining DenseGait er í stórum stíl „í náttúrunni“ göngugagnasett sem safnað er sjálfkrafa úr eftirlitsstraumum. Það inniheldur 217 K rakaðar beinagrindarraðir, unnar með AlphaPose [22], í ýmsum umhverfi og myndavélarhornum frá mörgum landfræðilegum stöðum. Þar sem DenseGait er safnað sjálfkrafa eru athugasemdir þess hvað varðar rakningarauðkenni hávaðasamar og gagnasafnið gæti innihaldið raðir um sama efni, þó að þetta sé sjaldgæft viðburður. Hins vegar er þetta raunin fyrir meirihluta stórfelldra ómerktra gagnasafna sem innihalda sýni sem tilheyra sama merkingarflokki, sem er talið ótengt meðan á þjálfun stendur. Við forþjálfum hverja arkitektúr á DenseGait og notum þjálfaðar færibreytur fyrir frekara frammistöðumat á stýrðu gagnasöfnunum.

GREW Pretraining GREW er annað gagnasafn „í náttúrunni“ utandyra en er vandlega merkt þannig að það inniheldur gönguefni yfir marga daga og mismunandi gerðir af fatnaði. Hins vegar, til að samræmast kröfum sjálfseftirlitsins, fargaðu athugasemdunum og meðhöndla hverja gönguröð sem sérstakan mann. GREW er 2× minni en DenseGait, inniheldur 128 K beinagrindarraðir, á sama tíma og hver gangandi vegfaranda er rakinn í styttri meðallengd [12]. Við þjálfum líka hvern arkitektúr í GREW og notum þjálfaðar breytur til að meta frammistöðu síðar.

Handahófskennd frumstilling Þessi upphafsaðferð samsvarar engum forþjálfun (þ.e. þjálfun frá grunni). Hver arkitektúr er þjálfaður með handahófskenndri frumstillingu á gagnasöfnum eftir strauminn. Þessi aðferð er grunnlína til að bera saman árangursávinninginn með forþjálfun.

3.6. Mat

Frammistaða verkefna er metin á tvo mismunandi vegu fyrir göngugreiningu. Við prófum beint endurheimtarmöguleika fyrirframþjálfaðra arkitektúra, án þess að fínstilla fyrir ákveðið verkefni. Þessi aðferð samsvarar núllskotsflutningi. Ennfremur, fínstilltu hverja arkitektúr með því að nota 10× minni námshraða en meðan á forþjálfun stendur, með smám saman minni námshraða í upphafi netsins, samsvarandi LLRD (LLRD) [50] stefnu.

Mat á frammistöðu niðurstreymis er framkvæmt á tveimur vinsælum göngugreiningargagnasettum: CASIA-B [6] og FVG [29]. Bæði gagnasöfnin eru með fáum einstaklingum undir ströngum göngureglum, sem er stjórnað af ýmsum ruglingsþáttum: myndavélarhorni, fatnaði, fylgihlutum og gönguhraða.

CASIA-B er gagnasafn innandyra sem inniheldur 124 myndefni tekin úr 11 samstilltum myndavélum. Hver einstaklingur gengur við þrjár mismunandi aðstæður: venjulega göngu, fataskipti og tösku. Síðan það kom út hefur það verið grunnur fyrir viðmiðun göngugreiningarlíkana, enda eitt mest notaða gagnasafnið á þessu sviði. Við notum fyrstu 62 námsgreinarnar sem þjálfunarsettið og afganginn af þeim 62 til að meta árangur. Fyrir göngugreiningu veljum við að meta frammistöðu á grundvelli horns í „skila einum út“ stillingu, þar sem gallerísettið inniheldur öll gönguhorn nema rannsakahornið.

Front-View Gait er annað vinsælt gagnasafn fyrir göngugreiningu, þar sem 226 einstaklingar ganga utandyra samkvæmt ýmsum samskiptareglum. Ólíkt CASIA-B, FVG inniheldur fleiri truflandi þætti: gönguhraða, ringulreið bakgrunn og tíminn (þ.e. sumir einstaklingar hafa skráðar göngur sem spanna eitt ár). Ennfremur eru öll myndefni tekin með myndavélarhorni sem snýr að framan, sem er talið erfiðasta hornið fyrir göngugreiningu þar sem það inniheldur minnsta magn af skynjuðum liðhreyfingum. Við notuðum fyrstu 136 viðfangsefnin til þjálfunar og restina til árangursmats. Frammistöðumat fyrir göngugreiningu fylgir samskiptareglum sem höfundar hafa lýst, þar sem við notum venjulega gönguröð í myndasafninu og aðrar aðstæður í rannsakasettinu.

Fyrir allar matssviðsmyndir notum við ákveðinn skurð í miðju gönguröðarinnar og notum engar aukningar á próftíma.

4. Tilraunir og niðurstöður

4.1. Mat á CASIA-B

Við forþjálfum hverja arkitektúr á DenseGait og GREW, í sömu röð, og metum frammistöðuna á CASIA-B og FVG. Í fyrsta setti tilrauna höfum við áhuga á að vanmeta frammistöðu CASIA-B í fínstillingu atburðarás eftir forþjálfun, með sífellt stærri þjálfunarsýnum. Við þjálfuðum hvert net á fyrstu 62 auðkennunum, með öllum tiltækum gönguafbrigðum, og héldum restina til prófunar. Viðurkenningarmat var framkvæmt með því að nota fyrstu 4 venjulegu göngusýnin sem gallerísett, og restin sem rannsakasett. Mynd 4 sýnir nákvæmni fyrir hvert af þremur gönguafbrigðum (venjulegt—NM, fatnaður—CLm og burðartaska—BG) fyrir CASIA-B. Fyrir þessa atburðarás tóku K={1, 2, 3, 5, 7, 10} göngur af handahófi fyrir hvert viðfangsefni, fyrir hvert horn, og þjálfaði líkanið. Þó frammistaðan sé tiltölulega svipuð milli arkitektúra er ljóst að forþjálfun býður upp á verulega aukningu í frammistöðu samanborið við tilviljunarkennda frumstillingu, óháð vali forþjálfunargagnasetts.

Þar að auki virðast SimpleViT, CrossFormer og Twins-SVT hafa svipaða afköst, á meðan Token2Token er aðeins eftir. Þetta bendir til þess að framsækna auðkennisaðferðin sem notuð er í Token2Token, sem var sérstaklega hönnuð fyrir myndlíkar mannvirki, fangi ekki í raun einkenni gangraða. Það er áberandi munur á forþjálfunargagnasettunum: DenseGaits virðist bjóða upp á stöðuga frammistöðuaukningu í gönguafbrigðunum tveimur (CL ogBG) samanborið við GREW. Þetta er til marks um þá staðreynd að DenseGait inniheldur krefjandi og raunhæfari aðstæður sem undirbúa líkanið betur fyrir aðstæður þar sem ytri þættir hafa áhrif á göngumynstrið.

Arkitektúrarnir eru þjálfaðir í að kortleggja gönguraðir að innfelldu rými, þar sem nálægðin á milli punkta endurspeglar líkt samsvarandi gönguröð. Þetta þýðir að innfellingar óséðra gangraða frá sama auðkenni ættu að vera nálægt hver annarri í innfellingarrýminu og mynda klasa, á meðan innfellingar mismunandi auðkenna ættu að vera lengra frá hver öðrum og mynda sérstaka klasa. Þetta er mikilvægt þar sem það gerir líkaninu kleift að alhæfa yfir óséðar gönguraðir og bera kennsl á einstaklinginn nákvæmlega með því að nota nágrannaaðferð. Á mynd 5 kynnum við þyrpinguna fyrir innfellingar fyrir hverja auðkenni í prófunarsettinu af CASIA-Bafter víddarminnkun með t-SNE [51]. Við notuðum 256-víddarinnfellingarvektorinn og varpuðum honum í tvær víddar. SimpleViT og CrossFormer virðast hafa besta aðskilnað auðkenna, óháð sjónarhorni myndavélarinnar.

4.2. Mat FVG

Á sama hátt metum við frammistöðu hvers arkitektúrs á FVG, sem er eðlisfræðilega frábrugðin CASIA-B, þar sem hann inniheldur aðeins eitt sjónarhorn. Við fínstillum forþjálfað net á brot af={0.1, 0.2, 0.3, {{10 }}.5, 0.7, 1.0} af 12 hlaupum á mann í æfingasettinu. Fínstillingarniðurstöður eru sýndar á mynd 6. Niðurstöður fylgja svipaðri þróun og fyrir CASIA-B: SimpleViT og CrossFormer hafa stöðugt mikla afköst og notkun á forþjálfunargagnasetti er gagnleg fyrir niðurstreymisframmistöðu. Ennfremur virðist forþjálfun á DenseGait halda stöðugri nákvæmni. Eins og Cosma og Radoi benda á [12], inniheldur DenseGait myndefni sem fylgst er með í lengri tíma, og þetta veitir meiri breytileika í gagnstæða námsmarkmiðinu, svipað og handahófskennd skurður fyrir sjálfstýrða forþjálfun fyrir náttúrulegar myndir. Svipað og niðurstöðurnar á CASIA-B, er fataafbrigðið verulega á eftir venjulegu göngusviðinu.

Í töflu 4 birtum við nákvæmari niðurstöður á prófunarsetti FVG milli forþjálfaðra líkana, svipað og CASIA-B atburðarásin. Niðurstöður forþjálfunar eru í samræmi: forþjálfun á DenseGait tengist beint bættri nákvæmni niðurstreymis. Þó að forþjálfun á báðum gagnasöfnunum bæti frammistöðu í öllum tilfellum, er framförin sérstaklega mikilvæg í CBG (Cluttered Background) atburðarásinni sem venjulega samanstendur af því að hafa fleira fólk í myndbandinu, svipað og búast mætti ​​við óraunhæfum stillingum. Þessi framför kemur líklega af þeirri staðreynd að DenseGait og GREW voru safnað saman í náttúrulegu, stjórnlausu umhverfi, sem gerir þau raunsærri og krefjandi og undirbýr þannig líkanið betur fyrir svipaðar aðstæður og í CBG atburðarásinni. Röðunin á milli gerða er svipuð og CASIA-B: SimpleViT, CrossFormer og Twins-SVT eru stöðugt betri en CaiT og Token2Token. Fyrir bæði CASIA-B og FVG er CaiT örlítið á eftir öðrum gerðum.

4.3. Spatiotemporal næmi próf

Einn sérstaða sjónspenna er handahófskennd val á stærð plástra, sem getur reynst skipta sköpum í endanlegri frammistöðu. Þegar um er að ræða myndvinnslu eru stærðir plástra ekki sérstaklega mikilvægar, vegna þýðingaróbreytileika merkingarfræðilegs efnis í mynd.

Fyrir beinagrindaraðir samsvara plástravídd hins vegar sérstökum og túlkanlegum eiginleikum inntaksins: plásturhæð táknar magn landupplýsinga sem er að finna í plástri (þ.e. fjöldi beinagrindliða innifalinn), á meðan tímamálin tákna magn innifalinna tímaupplýsinga( þ.e. fjöldi ramma). Jafnvægið á milli þessara tveggja ætti að íhuga vandlega við notkun aðlagaðra sjónspenna fyrir göngugreiningu. Á mynd 7 sýnum við hitakort þar sem sérhver fruma er frammistaða þjálfaðs líkans (stilla af handahófi frumstillt) á CASIA-B fyrir venjulega göngu. Við þjálfum hverja gerð fyrir 50 tímabil til að fá sanngjarnan samanburð og til að meta samleitishraða í föstum fjölda þrepa.
Við bjuggum til tvö hitakort, eitt fyrir SimpleViT og eitt fyrir CaiT þar sem þau eru með svipaðan undirliggjandi burðarás, og það er einfalt að breyta plástrastærðunum. Sama ferli er hægt að framkvæma fyrir hina prófuðu byggingarlistina. Við komumst að þeirri niðurstöðu að smærri blettastærðir samsvari jákvæðri aukningu á frammistöðu líkanagerðar fyrir beinagrindaraðir, á meðan skiptingin milli staðbundinna og tímabundinna vídda skiptir ekki sköpum, þar sem frammistaða er svipuð - hitakortsfylki er nokkuð samhverft með seinni ská. Þess vegna eru smærri ferningastærðir eins og (2, 4) þvert á staðbundnar og tímabundnar víddir best fyrir þetta verkefni, en stærri plástrar eins og (32, 32) innihalda of litlar mismununarupplýsingar. Hins vegar, smærri plástrarstærðir auka einfaldlega fjölda plástra, sem krefst meiri tölvuorku. Fyrir uppsetningu okkar á tveimur NVIDIA RTX 3060 GPU, tilkynntum við út-af-minni villur fyrir sumar samsetningar af smærri plástrastærðum.

Líklegasta ástæðan fyrir bættri frammistöðu með smærri plástra er sú að arkitektúrinn getur betur fanga flókið göngumynstrið með því að reikna út flóknari samskipti milli plástra. Plástrar með stærstu mögulegu rúmstærð og minnstu mögulegu tímastærðir geta talist fullar framsetningar beinagrindanna, en blettir með stærstu mögulegu tímastærðum og minnstu mögulegu rúmstærðum fanga alla hreyfingar einstaks liðs. Eins og sjá má næst mesta nákvæmni þegar plástrastærðin inniheldur jafnvægi á bæði staðbundnum og tímaupplýsingum, sem samsvara litlum hreyfingum nátengdra liða.

5. Umræður og ályktanir

Í þessari vinnu lögðum við fram alhliða úttekt á fimm vinsælum afbrigðum af sjónspenni sem er aðlagaður fyrir vinnslu beinagrindraðar. Viðleitni okkar er í samræmi við nýlegar framfarir í djúpnámi til að sameina mismunandi aðferðir undir spenniarkitektúrnum. Við lögðum til staðbundna uppsýnistökuaðferð fyrir beinagrindur (tvíkubikara sýnatöku með TSSI beinagrind sniði) til að fjölga liðum tilbúnar, þannig að hægt sé að nota röðina á réttan hátt af spennikóðarum. Ennfremur var hver arkitektúr þjálfaður undir sjálfseftirlitsþjálfunarhugmyndinni á tveimur almennum og stórum göngugagnasettum (þ.e. DenseGait og GREW), og í kjölfarið metin á tveimur gagnasöfnum fyrir göngugreiningu í stýrðu umhverfi (þ.e. CASIA-B og FVG). Við völdum að tileinka okkur sjálfstýrða námið til að fá almenna göngueiginleika, ekki bundin við tiltekið gönguafbrigði eða myndavélarsjónarmið.

Niðurstöður okkar gefa til kynna þörfina fyrir mikið magn, hágæða og fjölbreytta gagnapakka fyrir forþjálfun göngugreiningarlíkön. Við sýndum fram á að forþjálfun á DenseGait býður upp á stöðuga nákvæmni umfram GREW, vegna aukinnar stærðar, fjölda afbrigða og meðallengdar göngu [12]. Mikilvægasti ávinningurinn er þó í aðstæðum þar sem lítið magn af þjálfunargögnum er tiltækt. Niðurstöður okkar sýna að þjálfun frá grunni leiðir til marktækt verri árangurs en fínstilling jafnvel með hóflegu magni gagna (þ.e. 10 raðir á mann). Eins og er eru flestar gönguaðferðir framkvæmdar innandyra í ströngu stýrðu umhverfi, sem ekki er hægt að alhæfa um margbreytileika raunverulegra samskipta. Fjölbreytt þjálfunargagnasöfn skipta sköpum til að framkvæma nákvæma atferlisgreiningu í náttúrunni, sérstaklega þar sem göngulag er líffræðileg tölfræðieiginleiki sem auðvelt er að hafa áhrif á utanaðkomandi umhverfisþætti, sem og innri og tilfinningalega þætti.

Afnámsrannsókn okkar sýnir að smærri tímabundnar blettir eru gagnlegar fyrir betri niðurstöður niðurstreymis. Þessi innsýn upplýsir framtíðarþróun arkitektúra mismunandi raða, sem áður hafa reitt sig á að vinna einstaka beinagrind á einum plástri [12].

Samhliða samhliða viðleitni til að koma göngugreiningu inn í raunhæfar stillingar, gerir vinnu okkar ennfremur kleift að skipta á sannvottun göngulags og hegðunargreiningu frá innandyra, stýrðu umhverfi til úti, raunverulegra stillinga. Gangagreining í náttúrunni verður alls staðar nálæg með þróun snjallskynjara og skilvirkra taugaarkitektúra sem vinna úr hreyfidrifinni hegðun í rauntíma.

Heimildir

1. Kyeong, S.; Kim, SM; Jung, S.; Kim, DH Gangmynsturgreining og klínísk undirhópagreining: Afturskyggn athugunarrannsókn. Medicine 2020, 99, e19555. [CrossRef] [PubMed]

2. Michalak, J.; Troje, NF; Fischer, J.; Vollmar, P.; Heidenreich, T.; Schulte, D. Útfærsla sorgar og þunglyndis — göngumynstur sem tengist dysphoric skapi. Psychosom. Med. 2009, 71, 580–587. [CrossRef] [PubMed]

3. Willems, TM; Witvrouw, E.; De Cock, A.; De Clercq, D. Gangtengdir áhættuþættir fyrir æfingatengda verki í neðri fótlegg við skóhlaup. Med. Sci. Íþróttaæfing. 2007, 39, 330–339. [CrossRef] [PubMed]

4. Singh, JP; Jain, S.; Arora, S.; Singh, UP Vision-based göngugreining: Könnun. IEEE Access 2018, 6, 70497–70527. [Krossvísun]

5. Makihara, Y.; Nixon, MS; Yagi, Y. Gangagreining: Gagnagrunnar, framsetningar og forrit. Reikni. Vis. Ref. Leiðbeiningar 2020,1–13.

6. Yu, S.; Tan, D.; Tan, T. Rammi til að meta áhrif sjónarhorns, klæðnaðar og burðarástands á ganggreiningu. Í málsmeðferð 18. alþjóðlegu ráðstefnunnar um mynstursgreiningu (ICPR'06), Hong Kong, Kína, 20.–24. ágúst 2006; bindi 4, bls. 441–444.

7. Zhu, Z.; Guo, X.; Yang, T.; Huang, J.; Deng, J.; Huang, G.; Du, D.; Lu, J.; Zhou, J. Gait Recognition in the Wild: A Benchmark. InProceedings of the IEEE International Conference on Computer Vision (ICCV), Montreal, BC, Kanada, 11.–17. október 2021.

8. Chao, H.; Hæ.; Zhang, J.; Feng, J. Gaitset: Varðandi göngulag sem sett fyrir göngugreiningu með krosssýnum. Í Proceedings of the AAAIConference on Artificial Intelligence, Honolulu, HI, Bandaríkjunum, 27. janúar–1. febrúar 2019; 33. bindi, bls 8126–8133. 

9. Fan, C.; Peng, Y.; Cao, C.; Liu, X.; Hou, S.; Chi, J.; Huang, Y.; Li, Q.; He, Z. Gaitpart: Tímabundið líkan fyrir göngugreiningu. Í Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, Seattle, WA, Bandaríkjunum, 13.–19. júní 2020; bls. 14225–14233.

10. Cosma, A.; Radoi, IE WildGait: Að læra gangtegundir frá hráum eftirlitsstraumum. Skynjarar 2021, 21, 8387. [CrossRef][PubMed]

For more information:1950477648nn@gmail.com