این تعهد متعلق به هیچ شعبه ای در این مخزن نیست و ممکن است متعلق به یک چنگال در خارج از مخزن باشد.

شاخه ها/برچسب ها را تغییر دهید برچسب های شاخه شاخه ها را بارگیری نکرد چیزی برای نشان دادن برچسب ها را بارگیری نکرد چیزی برای نشان دادن

نام در حال استفاده

یک برچسب در حال حاضر با نام شاخه ارائه شده وجود دارد. بسیاری از دستورات GIT نام برچسب و شاخه را می پذیرند ، بنابراین ایجاد این شاخه ممکن است باعث رفتار غیر منتظره شود. آیا مطمئن هستید که می خواهید این شاخه را ایجاد کنید؟

لغو ایجاد رمز

• محلی
• مکاشه

https github cli با استفاده از URL وب از Git یا Checkout با SVN استفاده کنید. با CLI رسمی ما سریع کار کنید. بیشتر بدانید.

ورود به سیستم لازم

لطفاً برای استفاده از برنامه های کد وارد سیستم شوید.

راه اندازی دسک تاپ GitHub

اگر هیچ اتفاقی نمی افتد ، دسک تاپ GitHub را بارگیری کنید و دوباره امتحان کنید.

راه اندازی دسک تاپ GitHub

اگر هیچ اتفاقی نمی افتد ، دسک تاپ GitHub را بارگیری کنید و دوباره امتحان کنید.

راه اندازی Xcode

اگر هیچ اتفاقی نمی افتد ، Xcode را بارگیری کنید و دوباره امتحان کنید.

راه اندازی کد ویژوال استودیو

فضای کد شما یک بار آماده خواهد شد.

مشکلی برای تهیه فضای کدگذاری شما وجود داشت ، لطفاً دوباره امتحان کنید.

آخرین تعهد

آمار git

فایل ها

بارگیری آخرین اطلاعات متعهد انجام نشد.

نوع نام آخرین پیام تعهد زمان متعهد شدن رمز

readme. md

یک بستر منبع باز برای برچسب زدن خودکار نشانگرهای ضبط حرکت با استفاده از یادگیری عمیق

الگوریتمی که از یادگیری ماشین استفاده می کند تا به طور خودکار نشانگرهای ضبط حرکت نوری را برچسب گذاری کند. این الگوریتم را می توان در مورد داده های موجود یا مسیرهای نشانگر شبیه سازی شده آموزش داد. داده ها و کد برای تولید مسیرهای شبیه سازی شده برای مجموعه های نشانگر سفارشی ارائه شده است.

A. L. Clouthier ، G. B. Ross ، M. P. Mavor ، I. Coll ، A. Boyle and R. B. Graham ، "توسعه و اعتبارسنجی یک الگوریتم یادگیری عمیق و بستر منبع باز برای برچسب زدن اتوماتیک نشانگرهای ضبط حرکت ،" در IEEE Access ، Doi:10. 1109/Access. 2021. 3062748.

این کد با استفاده از پایتون 3. 7 آزمایش شده است. بسته های زیر مورد نیاز است و می توان با استفاده از PIP نصب کرد. نسخه مورد استفاده در تست ذکر شده است. برای لیست کامل نسخه های آزمایش شده به الزامات مراجعه کنید.

dash == 1. 14. 0 dash-bootstrap-components == 0. 10. 3 hdf5 == 1. 10. 4 iPywidgets == 7. 5. 1 mydcc == 0. 1. 22 numpy == 1. 19. 1 pandas == 1. 0. 5 plotly == 4. 99. 0 Scikit-Lea == 0. 22. 1 SCIPY == 1. 5. 2 مشعل == 1. 5. 1 

EZC3D نیز مورد نیاز است و می تواند با استفاده از Conda نصب شود

نصب Cond a-C Cond a-Forge EZC3D

مسیرهای شبیه سازی شده را تولید کنید

اگر داده های ضبط حرکتی موجود برای آموزش الگوریتم ندارید ، می توان مسیرهای شبیه سازی شده را ایجاد کرد.

اگر داده های آموزشی خود را دارید ، از این مرحله پرش کنید.

• سینماتیک بخش بدن مورد استفاده برای تولید مسیرهای شبیه سازی شده را از اینجا دانلود کنید: . فایل hdf5. را از فایل فشرده خارج کرده و در پوشه داده قرار دهید.
• سپس، مجموعه نشانگر مورد استفاده باید با استفاده از یک فایل xml. مجموعه نشانگر OpenSim تعریف شود.
  • OpenSim را نصب کنید
  • در OpenSim، Open Model Rajagopal2015_mod. osim در پوشه /data موجود است.
  • برای افزودن نشانگر جدید روی نشانگرها در Navigator کلیک راست کنید. نشانگر را می توان انتخاب کرد و در تجسم منتقل کرد. نام نشانگر و قاب_parent (یعنی بخش بدنه که به آن متصل است) را در پنجره Properties تنظیم کنید.
  • با کلیک راست روی Markers در Navigator و انتخاب Save to File، مجموعه نشانگر را ذخیره کنید.
  • مسیر فایل xml. set نشانگر را تنظیم کنید.
  • نشانگرهای مورد استفاده برای تراز کردن داده ها را تنظیم کنید. در حالت ایده آل، اینها نشانگری در سمت چپ و راست تنه یا سر خواهند بود (مثلاً آکرومیون های راست و چپ). از اینها برای چرخاندن داده ها حول محور عمودی استفاده می شود تا فرد در جهت +x قرار گیرد.

  آموزش الگوریتم

  • پارامترها را در trainAlgorithm. py تنظیم کنید.
    • اگر از مسیرهای شبیه سازی شده برای آموزش استفاده می کنید، مسیر را به مجموعه نشانگر و فایل ترشی تولید شده توسطgeneSimTrajectories. py تنظیم کنید.
    • اگر از داده های برچسب دار موجود برای آموزش استفاده می کنید، مسیر را به پوشه حاوی فایل های c3d تنظیم کنید. نشانگرهای مورد استفاده برای تراز کردن داده ها را تنظیم کنید. در حالت ایده آل، اینها نشانگری در سمت چپ و راست تنه یا سر خواهند بود (مثلاً آکرومیون های راست و چپ).
    • مسیرها را به مدل آموزش دیده، فایل ترشی مقادیر آموزش دیده و تنظیم بازار در markerLabelGUI. py تنظیم کنید.
    • markerLabelGUI. py را اجرا کنید، با این کار رابط کاربری گرافیکی در مرورگر شما باز می شود.
    • مسیر پوشه ای را که فایل های c3d قرار است برچسب گذاری شوند را وارد کنید.
    • فایل مورد نظر را از منوی کشویی انتخاب کنید.
    • روی Load Data کلیک کنید، زمانی که نمودار نشانگرها ظاهر شد، بارگیری کامل شد.
    • اگر فرد رو به جهت +x نیست، زاویه چرخش داده ها حول محور z (عمودی) را وارد کنید و روی ارسال کلیک کنید. این زاویه باید به گونه ای انتخاب شود که فرد در اکثر آزمایشات با +x روبرو شود.
    • روی Label Markers کلیک کنید.
    • نتایج را بررسی کنید.
      • کلیک کردن و کشیدن می چرخد، چرخ اسکرول بزرگنمایی می کند و کلیک راست نمودار را ترجمه می کند. نگه داشتن ماوس روی یک نشانگر، شماره نشانگر، برچسب و مختصات را نشان می دهد.
      • از نوار لغزنده در پایین می توان برای مشاهده بازه های زمانی مختلف استفاده کرد. پس از کلیک بر روی نوار لغزنده، می توان از کلیدهای جهت دار چپ و راست برای تنظیم تایم فریم نیز استفاده کرد.
      • نوع تجسم نشانگر را می توان از منوی کشویی تجسم انتخاب کرد. اعتماد به نفس نشانگرها را بر اساس اعتماد به نفس در برچسب پیش بینی شده رنگ می کند. برجسته نشانگرهای بدون نمایش به رنگ قرمز. بخش ها نشانگرهای متصل به همان بخش بدنه را با همان رنگ نشان می دهد.
      • جعبه تشخیص خطا نشانگرهای بدون برچسب و برچسب های تکراری را لیست می کند. بازه های زمانی که در آن خطا تشخیص داده شده است نمایش داده می شود. توجه داشته باشید که نشانگر ذکر شده برای اولین و آخرین فریم ها قابل مشاهده است ، اما ممکن است از فریم های میانی دامنه ذکر شده گم شود.
      • با جمع آوری داده ها ، برچسب زدن و اصلاح ، می توان آن را از طریق یادگیری انتقال برای بهبود الگوریتم به مجموعه آموزش اضافه کرد
      • در TransferLeaing. py ، مسیری را برای مدل آموزش دیده و مقادیر آموزشی برای ساخت (پرونده . ckpt و . pickle) و پوشه حاوی پرونده های . c3d تنظیم کنید تا به مجموعه آموزش اضافه شود. نشانگرهای مورد استفاده برای تراز کردن داده ها را تنظیم کنید. در حالت ایده آل ، اینها یک نشانگر در سمت چپ و راست نیم تنه یا سر خواهد بود (به عنوان مثال آکرومیون های راست و چپ).
      • Run Transferleaing. py

      در باره

      برچسب زدن خودکار نشانگرهای ضبط حرکت