SkeletonEQA weights
чекпоинты для оценки приседаний по скелету
2 min readupdated
Это набор из 368 PyTorch-чекпоинтов (3,18 ГБ) для бинарной оценки качества приседаний: модель получает последовательность скелета из 18 суставов OpenPose в формате (N, 3, 100, 18, 1) и предсказывает 0 (неправильно) или 1 (правильно). Это не одна модель, а результаты бенчмарка Skeleton-Based Exercise Quality Assessment Under Domain Shift (MCHM '26) от MonicaVahd: девять скелетных GCN-архитектур, обученных по протоколам LOSO, single-/multi-source OOD и 5-fold CV на данных REHAB24-6, EC3D, UI-PRMD и Custom. Веса выложены отдельно, без примеров данных; многие OOD-чекпоинты слабо переносятся за пределы своей обучающей выборки. Пригодится исследователям action quality assessment и тем, кто сравнивает скелетные GCN для фитнес-анализа.
Ключевые особенности
- 368 файлов, 3,18 ГБ: плоские PyTorch state dict без optimizer state и wrapper-ключей.
- Девять архитектур: ST-GCN, CTR-GCN, InfoGCN, BlockGCN, HD-GCN, ProtoGCN, SkateFormer, HyperFormer, FreqMixFormer.
- Протоколы: LOSO, single-source и multi-source OOD, 5-fold CV, а также аблации нормализации.
- Только веса, без данных; лицензия CC BY-NC 4.0 — коммерческое использование ограничено.
- Результаты exploratory: один запуск, seed 42; 77,8% из 198 OOD-экспериментов коллапсируют.
Что можно сделать
- Воспроизвести таблицы бенчмарка и проверить перенос между REHAB24-6, EC3D и UI-PRMD.
- Сравнить девять скелетных GCN на одной задаче — от ST-GCN до HyperFormer и FreqMixFormer.
- Собрать исследовательский прототип, который по скелету помечает приседание как корректное или некорректное.
- Изучить, как нормализация и состав обучающего пула влияют на устойчивость к domain shift.
Пример
import sys, torch
sys.path.insert(0, "FAIRCoachOOD")
from models.builders import build_hdgcn_model
model = build_hdgcn_model(device="cpu")
state = torch.load("hdgcn/B3/hdgcn_ood_b3_rehab24_to_ec3d.pth", map_location="cpu", weights_only=True)
model.load_state_dict(state, strict=True)
model.eval()
logits = model(torch.rand(4, 3, 100, 18, 1))
Подробнее
77,8% OOD-экспериментов коллапсируют: 154 из 198 (141 полный, 13 частичный коллапс).Один запуск на условие, seed 42; доверительных интервалов в статье нет.
Файлы сопоставлены со статьёй только по имени и дате, без хешей и логов.
Загрузка проверена для ST-GCN, BlockGCN, HD-GCN, ProtoGCN, SkateFormer и HyperFormer; CTR-GCN, InfoGCN и FreqMixFormer не тестировались.
Лицензия CC BY-NC 4.0; часть пулов включает Custom, обученный на нераспространяемых instructional videos.










Comments