آموزش سیستمهای تشخیص فعالیت انسانی (HAR) همیشه با مشکل کمبود دادههای باکیفیت و برچسبگذاری شده روبرو بوده است. حالا محققان با معرفی چارچوب «KineMIC»، راهکاری هوشمندانه برای تبدیل مدلهای عمومی متنبهحرکت (T2M) به ابزارهایی تخصصی ارائه دادهاند.
این متد با استفاده از یادگیری انتقالی و بهرهگیری از CLIP، شکاف بین حرکات کلی هنری و حرکات دقیق بیومکانیکی را از بین میبرد تا مدلها بتوانند با تعداد بسیار کمی نمونه (Few-Shot)، حرکات انسانی را با دقت و وضوح بالایی شبیهسازی کنند. این پیشرفت میتواند سرعت توسعه مدلهای بینایی ماشین را در حوزههای سلامت و حرکات ورزشی بهشدت افزایش دهد. 🧠✨
منبع: arXiv Computer Vision