Success Story - rus

Распознавание жестов


Мотивация: когда человек ест, он совершает характерные движения руками, которые можно распознать при помощи данных с датчиков на смарт-часах или фитнес-трекерах. По количеству и частоте этих движений можно определить количество съеденного и скорость поглощения пищи, что может быть полезно для людей, которые следят за питанием. Необходимо было построить модель для получения этой информации из данных с датчиков.


Что мы имели изначально:
  • набор данных с IMU датчиков смарт-часов, снятый в то время, как человек ест;
  • набор видео приемов пищи людей;
  • разметка характерных движений рукой при приеме пищи для 3% видео;
  • время с видео и с датчиков часто не синхронизировано.


Цели проекта:
  • построить алгоритм детекции каждого движения рукой с прибором при приёмах пищи по данным с IMU датчиков смарт-часов.


Решение MIL Team:
Сперва мы доразметили дополнительные 6% видео с помощью привлечения outsource-команды. Перед отправкой видео на разметку мы использовали открытую модель детекции лиц с последующим блюрингом для анонимизации данных.
Далее использовался выход pose estimation модели на видео с приемом пищи в качестве входных данных для модели распознавания жестов. Обученную модель разметки видео мы запустили на остальных 91% видео для автоматической разметки. На этой разметке обучалась модель распознавания жестов по IMU данным. По корреляции между ответами этих моделей на видео и IMU рядах было синхронизировано время между видео и датчиками.
Итоговая модель обучалась на уже синхронизированной автоматической разметке и данных с датчиков. Также была решена задача классификации того, что человек стоит во время приема пищи по данным с датчиков.


Для построения модели были использованы:
  • выход модели pose estimation на видео;
  • аутсорс команда для разметки видео;
  • открытая модель по детекции лиц.

Результаты моделирования: under NDA


Заказчик: under NDA


Технологический стек: Python, PyTorch
Sensors Research