15.142 14.6.1 Objetivo
Clasificar episodios de escalada mediante una representación jerárquica, multietiqueta, composicional y abierta, diferenciando movimientos cercanos con evidencia física y temporal, probabilidades calibradas, rechazo explícito y revisión humana.
Las secciones 14.1–14.5 construyeron pose, escena, contactos/carga, fases y características cinemáticas. Esta sección define cómo convertir ese conjunto de evidencia en hipótesis de movimiento, cómo diferenciar entidades cercanas y cuándo el sistema debe rechazar, conservar un conjunto ambiguo o pedir revisión.
Un estudio reciente de boulder clasificó siete etiquetas de movimiento por frame usando pose 2D y un Transformer sobre 71 videos; demuestra viabilidad inicial, pero su espacio pequeño y cerrado no valida por sí mismo una ontología de 310 movimientos [P46-R1]. Los datasets CIMI4D, AscendMotion/ClimbingCap y The Way Up aportan pose global, interacción humano–escena y uso de presas, pero tampoco ofrecen etiquetas completas para esta taxonomía [P46-R21, P46-R22, P46-R23].
Por ello, esta entrega es una especificación de
clasificación, no una afirmación de exactitud entrenada. Cada
etiqueta queda vinculada a su ficha canónica y marcada como
OntologyReady_EmpiricalDatasetRequired.
15.142.1 Incluido
- Unidades temporales y espacios de etiquetas compatibles con solapamiento.
- Manifiesto de las 344 entidades canónicas sin duplicar ni modificar sus fichas.
- Arquitectura de referencia para pose, interacción, cinemática y modalidades opcionales.
- Grupos de confusión y reglas de diagnóstico diferencial.
- Open-set recognition, calibración, predicción selectiva y conjuntos de candidatos.
- Splits contra fuga de atleta/ruta/sesión y métricas de clasificación temporal.
- Contrato de evidencia, publicación y revisión humana.
15.142.2 Fuera de alcance
- Inferir intención, miedo, dolor, fatiga o calidad técnica universal únicamente desde video.
- Obligar a que cada frame o episodio pertenezca exactamente a una de las 344 entidades.
- Declarar un modelo entrenado o rendimiento de producción sin dataset y evaluación específicos.
- Usar la identidad de ruta, color, atleta o gimnasio como sustituto de la mecánica observada.
- Convertir automáticamente una correlación visual en causalidad biomecánica.