Athletes Pose Estimation Based on Deep Learning

Ovaj rad se bavi problemom procjene poze ljudskog tijela, konkretno sportaša, temeljenoj na dubokom učenju. Duboko učenje je jedna od podgrana strojnog učenja koje podučava računalne sustave da obrađuju podatke na način koji je sličan te inspiriran ljudskim mozgom. Konvolucijske neuronske mreže su odabrane kao prikladan model dubokog učenja. Objašnjeni su skupovi za učenje, provjeru i testiranje. Analiziran je utjecaj veličine mreže, različitih metoda regularizacije, aktivacijskih funkcija i tehnika učenja. Objašnjen je kod za dohvat podataka o kutu natkoljenice i potkoljenice koji nam govori radi li sportaš, u našem konkretnom slučaju trkač, dobre pokrete. Objašnjeno je zašto su ispravni pokreti u sportu bitni. Dobiveni rezultati su interpretirani te prikazani grafom.This paper addresses the problem of human pose estimation, specifically for athletes, based on deep learning. Deep learning is a branch of machine learning that teaches computer systems to process data in a way that is similar to and inspired by the human brain. Convolutional neural networks have been chosen as a suitable deep learning model. Training, validation and testing sets have been explained. The impact of the size of the network, different regularization methods, activation functions, and learning techniques is analyzed. The code for retrieving the angle between the thigh and the shin, which indicates the correctness of movements for athletes, in our specific case, runners, is explained. It is explained why the correct movement in sports is important. The obtained results are interpreted and presented graphically