MFT2018向けダーツスキル解析(8) - 採点結果例
はじめに
- 久しぶりに更新です。ずっとサボっていてすみません。
- 8月にMFT2018に出展してから、本業が非常に忙しく、もうダーツのスキル評価システムの開発は全くやってませんでした。 あーそんなのやってたっけ?って思うくらいになってました。
- 特に何かに駆られているわけでも、別のコンテストに新たに出すわけでもありませんが、またちょっと気が向いたので、少し手をつけていきたいと思います。
背景
- 以前、MFT2018に出展しましたが、色んな方に実際にダーツを投げていただきました。その時のデータを元に、本当に「ダーツの投げ方のウマそうな人には、ハイスコアが出ているのか?」を今一度調べてみました。
- 投げた人のgif動画とセットで点数を載せます。ちなみにあまり意味はないかもしれませんが、プライバシー対策として、顔付近にはやや濃い目の黒いマスクを(雑ですが)かけておきました。
念の為再度言っておくと・・・
- このシステムは、「ダーツの投げ方」に対して、フォームがどれだけ良いかをdeep learningにて点数化するものであり、そのときダーツの矢がどこに刺さったかは関係しません。
- このシステムのdeep learningモデルは僕の投げ方しか覚えさせていません。僕がインブルを刺した時のフォームが最適なフォームとして覚えているものです。あくまで僕のフォームが基準です。(ダーツガチ勢の方々ごめんなさい)
得点例(比較的まともに採点できていそうな例)
0-40点の例
40-60点
60-80点
80-100点
得点例(絶対ダーツうまそうな人なのに、点数が低い例)
まとめ
- 前稿にも書いたが、全体としては割と「それっぽく」フォームの上手下手を判定できていると思う。(いい加減なDLモデル使ったにしては、よく出来ている・・・)
- やはりセンサグローブで指圧や指の曲げ具合も見ているので、グリップが僕と違う人は点数が低かったと思います。
- そうはいっても、やっぱりフォームから見てどう見ても点数が低いケースがあるので、どうかなぁと思います。改善したいですね。
- これから更に少しずつ頑張ります。
今後の投稿予定
- LSTM, GRUを用いた時系列考慮のネットワーク利用結果
- Optunaを用いたモデルハイパーパラメータの最適化