Skeletons Don’t Lie: Can AI Decode Your Moves?

🦴📊 Skeletons Don’t Lie: Can AI Decode Your Moves? 🤖

---

🧾 תיאור

נתון סט נתונים המכיל רצפים של תנועות אנושיות, שכל אחד מהם מורכב ממספר פריימים (FrameNumber).
כל פריים כולל את המיקומים בתלת-ממד של 25 מפרקי גוף, המיוצגים על ידי הקואורדינטות:
J1X, J1Y, J1Z, ..., J25X, J25Y, J25Z.

כל פריים משויך למזהה רצף (IDSample) ולשתי תוויות:

• Action — הפעולה שבוצעה
• Camera — המצלמה שהקליטה את הרצף

כדי להבין טוב יותר את הפיזור המרחבי של 25 המפרקים:

---

🔢 פעולות אפשריות

• 0: לבישת ז'קט (wear jacket)
• 1: הורדת כובע (take off a hat/cap)
• 2: ניתור (קפיצה על רגל אחת - hopping)
• 3: קפיצה למעלה (jump up)
• 4: נפילה (falling)

---

🎥 מצלמות אפשריות

• 1: מבט בזווית 45° (שמאל או ימין)
• 2: מבט חזיתי
• 3: מבט מהצד (שמאל או ימין)

---

🧮 משימת משנה 1 — ספירת פריימים לכל רצף (10 נקודות)

עבור כל IDSample ייחודי, קבעו כמה פריימים זמינים בסט נתוני הבדיקה (test_data.csv).
ניתוח זה עוזר להבין את הפיזור הזמני-מרחבי של הנתונים עבור כל פעולה.

---

🧠 משימת משנה 2 — סיווג פעולות ברמת הרצף (40 נקודות)

באמצעות נתוני האימון, אמנו מודל סיווג המסוגל לזהות את הפעולה שבוצעה ברצף של פריימים.
החילו את המודל על נתוני הבדיקה ועבור כל IDSample ייחודי, חזו את הפעולה הסבירה ביותר.

📊 מדד הערכה

ביצועי המודל יוערכו באמצעות דיוק (accuracy), המוגדר כ:

כדי לקבל את מלוא הנקודות, הדיוק המושג חייב להיות לפחות 0.965.

---

🎥 משימת משנה 3 — זיהוי מצלמה (50 נקודות)

באמצעות נתוני האימון, אמנו מודל המסוגל לחזות איזו מצלמה הקליטה רצף נתון של פריימים.
החילו את המודל על סט הבדיקה וציינו, עבור כל IDSample, את המצלמה שנחזתה כסבירה ביותר.

📊 מדד הערכה

ביצועי המודל יוערכו שוב באמצעות דיוק (accuracy), המוגדר כ:

כדי לקבל את מלוא הנקודות, הדיוק המושג חייב להיות לפחות 0.8.

---

📦 פורמט פלט

התוצאה הסופית חייבת להיות קובץ CSV בשם output.csv, המכיל בדיוק 3 עמודות:

subtaskID	datapointID	answer
1	IDSample מתוך test_data.csv	התשובה המתאימה לאותה משימת משנה

---

🗂️ משאבים שימושיים

• Complete Starter Kit – כולל שלד (skeleton) להתחלת פתרון הבעיה.
• Problem Statement PDF – מכיל את התיאור המפורט של המשימה ואיורים.