Μοντέλα και πλατφόρμες AI

Αλγόριθμος Υπολογιστή Μπορεί Να Αναγνωρίσει Μοναδικά Χαρακτηριστικά Χορού

mm
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google

Ερευνητές στο Κέντρο Διαπιστημονικής Μουσικής Έρευνας στο Πανεπιστήμιο του Γιουβάσκουλα στη Φινλανδία έχουν χρησιμοποιήσει τεχνολογία καταγραφής κίνησης για να μελετήσουν τους ανθρώπους και τον χορό τα τελευταία χρόνια. Χρησιμοποιείται ως ένας τρόπος για να κατανοήσουν καλύτερα τη σύνδεση μεταξύ μουσικής και ατόμων. Έχουν能够 να μάθουν πράγματα μέσω του χορού, όπως πόσο εξωστρεφείς ή νευρωτικοί είναι τα άτομα, τη διάθεσή τους και πόσο συμμερίζονται με άλλους ανθρώπους.

Συνεχίζοντας αυτή τη δουλειά, έχουν ανακαλύψει μια έκπληξη.

Σύμφωνα με τη Δρ. Έμιλι Κάρλσον, την πρώτη συγγραφέα της μελέτης, «Δε尋άγαμε αυτό το αποτέλεσμα, καθώς αρχικά στόχευαμε να μελετήσουμε κάτι εντελώς διαφορετικό.»

«Η αρχική μας ιδέα ήταν να δούμε αν μπορούσαμε να χρησιμοποιήσουμε τη μηχανική μάθηση για να αναγνωρίσουμε ποιο είδος μουσικής χόρευαν οι συμμετέχοντές μας, με βάση τις κινήσεις τους.»

Υπήρχαν 73 συμμετέχοντες στη μελέτη. Όταν χόρευαν στα οκτώ διαφορετικά είδη μουσικής, Blues, Country, Dance/Electronica, Jazz, Metal, Pop, Reggae και Rap, καταγράφηκαν με τη χρήση της τεχνολογίας καταγραφής κίνησης. τους είπαν να ακούσουν τη μουσική και να κινηθούν με τον τρόπο που τους φαινόταν πιο φυσικός.

«Νομίζουμε ότι είναι σημαντικό να μελετήσουμε τα φαινόμενα όπως συμβαίνουν στον πραγματικό κόσμο, γι’ αυτό χρησιμοποιούμε ένα φυσικό ερευνητικό парадίγμα», σύμφωνα με τον Καθηγητή Πέτρι Τοϊβιάινεν, τον старτερο συγγραφέα της μελέτης.

Οι κινήσεις των συμμετεχόντων αναλύθηκαν από τους ερευνητές με τη χρήση της μηχανικής μάθησης, η οποία προσπάθησε να διακρίνει τα διαφορετικά είδη μουσικής. Η διαδικασία δεν πήγε όπως είχε σχεδιαστεί, και ο αλγόριθμος του υπολογιστή μπόρεσε να αναγνωρίσει το σωστό είδος μουσικής λιγότερο από το 30% της φοράς.

Ακόμη και αν η διαδικασία δεν πήγε όπως είχε σχεδιαστεί, οι ερευνητές ανακάλυψαν ότι ο υπολογιστής ήταν能够 να αναγνωρίσει το άτομο από την ομάδα των 73, με βάση τις κινήσεις του. Η ακρίβεια ήταν 94%, σε σύγκριση με το 2% ακρίβεια αν ήταν τυχαίο, ή ο υπολογιστής έκανε μια εκτίμηση χωρίς καμία δεδομένη πληροφορία.

«Φαίνεται ότι οι κινήσεις του χορού ενός ατόμου είναι ένα είδος δακτυλογραφικού αποτυπώματος», λέει ο Δρ. Πάσι Σάαρι, συν-συγγραφέας της μελέτης και αναλυτής δεδομένων. «Κάθε άτομο έχει ένα μοναδικό σήμα κίνησης που παραμένει το ίδιο ανεξάρτητα από το είδος μουσικής που παίζεται.»

Υπήρχε μια αυξημένη επίδραση στις ατομικές κινήσεις του χορού, ανάλογα με το είδος μουσικής που παιζόταν. Όταν τα άτομα χόρευαν στο Metal, ο υπολογιστής ήταν λιγότερο ακριβής στην αναγνώριση του ποιος ήταν.

«Υπάρχει μια ισχυρή πολιτιστική σύνδεση μεταξύ του Metal και bestimmμένων τύπων κίνησης, όπως το headbanging», λέει η Έμιλι Κάρλσον. «Είναι πιθανό ότι το Metal προκάλεσε περισσότερους χορευτές να κινούνται με παρόμοιο τρόπο, καθιστώντας το δυσκολότερο να τους διακρίνουμε.»

Αυτές οι νέες ανακαλύψεις θα μπορούσαν να οδηγήσουν σε κάτι όπως το λογισμικό αναγνώρισης χορού.

«Είμαστε λιγότερο ενδιαφερμένοι για εφαρμογές όπως η επιτήρηση παρά για αυτά που μας λέει η μελέτη για την ανθρώπινη μουσικότητα», εξηγεί η Κάρλσον. «Έχουμε πολλές νέες ερωτήσεις να κάνουμε, όπως αν τα σήματα κίνησης μας παραμένουν τα ίδια καθ’ όλη τη διάρκεια της ζωής μας, αν μπορούμε να ανιχνεύσουμε διαφορές μεταξύ των πολιτισμών με βάση αυτά τα σήματα κίνησης και πόσο καλά οι άνθρωποι είναι能够 να αναγνωρίσουν άτομα από τις κινήσεις του χορού τους σε σύγκριση με τους υπολογιστές. Οι περισσότερες έρευνες δημιουργούν περισσότερες ερωτήσεις παρά απαντήσεις και αυτή η μελέτη δεν είναι εξαίρεση.»

Ο Alex ηγείται των λειτουργιών ειδήσεων με τεχνητή νοημοσύνη της Unite.AI, συνδυάζοντας δημοσιογραφία, έρευνα και αυτοματοποίηση για να υποστηρίξει έγκαιρη και κλιμακώσιμη κάλυψη της τεχνητής νοημοσύνης. Η δουλειά του βοηθά να διασφαλιστεί ότι οι αναδυόμενες εξελίξεις στην AI προβάλλονται αποτελεσματικά, διατηρώντας τα δημοσιογραφικά πρότυπα της έκδοσης.