高山滑雪比赛中基于深度学习的2D关键点检测-应用于常规滑雪和受伤情况的最先进算法的性能分析

目的在本研究中，我们检验了基于深度学习的2D关键点检测应用于高山滑雪赛道上常规滑雪和受伤情况（即失去平衡和摔倒情况）的实用性。因此，我们创建了一个常规的滑雪和受伤情况特定数据集（以下简称“受伤滑雪数据集”），在该数据集上比较了最先进的关键点检测算法OpenPose、Mask-R-NN、AlphaPose和DCPose。通过计算每个关节位置误差的平均值（MPJPE）和正确关键点的百分比（PCK）来评估每个关键点检测器的性能。通过可视化分析进一步调查了故障案例和常见错误模式。结果我们观察到常规滑雪的最佳结果，在9（2）到14（3）像素的MPJPE下，81%–92%的关键点被正确检测到。在受伤的情况下，自我遮挡和罕见姿势变得更有可能，类似于雪雾和运动模糊造成的遮挡。因此，在失衡情况下，性能下降到68%-80%（PCK），而在秋季情况下，只有35%-54%的关键点被正确检测到，平均误差为26-36像素。在所有算法中，AlphaPose是最稳健的，并取得了最好的结果。结论常规滑雪的sPCK和MPJPE在手动注释错误的范围内，可以认为其足够低，可以进行进一步的生物力学分析。对于跌倒情况，应进一步改进关键点检测。关于未来开发用于高山滑雪损伤分析的深度学习工具，我们建议在滑雪和损伤特定数据集（如我们的数据集）上微调性能良好的关键点检测器，如AlphaPose。