Аспірантка кафедри інформаційної безпеки та комп’ютерної інженерії Черкаського державного технологічного університету Анастасія НЕСКОРОДЄВА взяла участь у ІХ Міжнародній науково-технічній конференції «Комп’ютерне моделювання та оптимізація складних систем» (КМОСС 2025), де виступила з пленарною доповіддю на тему «Інтелектуальний аналіз послідовностей кадрів гімнастичних поз на основі нейромережевої архітектури ConvLSTM». Науковий керівник аспірантки — доктор технічних наук, професор Євгеній Федоров.
У своїй доповіді аспірантка представила результати наукового дослідження, спрямованого на застосування сучасних методів глибокого навчання для аналізу часових послідовностей зображень, зокрема для розпізнавання та моделювання гімнастичних рухів. Запропонований підхід демонструє перспективи використання нейромережевих архітектур у задачах комп’ютерного зору та інтелектуального аналізу даних.
У ході доповіді було представлено результати дослідження, присвяченого автоматизованій класифікації послідовностей відеокадрів гімнастичних елементів із використанням методів глибокого машинного навчання. Актуальність роботи зумовлена зростаючим інтересом до інтелектуального аналізу відеоданих у спорті, медицині та системах моніторингу фізичної активності.
Для формування власного набору даних RG Elements було використано відеозаписи фінальних виступів з художньої гімнастики XXXII Олімпійських ігор 2021 року в Токіо. Покадрову обробку відео здійснено з використанням програмного середовища Vegas PRO, що дозволило виокремити фрагменти виконання окремих елементів. Отриманий набір даних містить 240 прикладів чотирьох класів гімнастичних елементів, виконаних десятьма спортсменками з використанням різних снарядів (стрічка, обруч, м’яч, булави), що забезпечило варіативність та репрезентативність даних.
Запропонована модель побудована на основі нейромережевої архітектури ConvLSTM з використанням бібліотеки Keras та поєднує згорткові й рекурентні механізми для врахування просторово-часових залежностей у відеопослідовностях. Архітектура включає шари ConvLSTM2D із зростаючою кількістю фільтрів, шари MaxPooling3D та Dropout для регуляризації, а вихідний шар із функцією активації softmax забезпечує багатокласову класифікацію. Навчання моделі здійснювалося із застосуванням оптимізатора Adam та механізму ранньої зупинки.
У ході експериментів модель продемонструвала точність 96,5% на тренувальній вибірці та 75,6% на незалежному тестовому наборі даних, що підтверджує її здатність до узагальнення та ефективність застосування архітектури ConvLSTM для задач аналізу спортивних рухів за відеоданими.
У роботі окреслено подальші напрями досліджень, зокрема оптимізацію гіперпараметрів, розширення набору даних і використання гібридних нейромережевих моделей.
Конференція КМОСС 2025 є міжнародним науковим майданчиком для обговорення сучасних підходів до комп’ютерного моделювання, оптимізації та інтелектуального аналізу складних систем.
