Pole-arina : deep learning–based coaching system for pole dancing technique

Abstract

This thesis presents Pole-Arina, a marker-less coaching system for static pole dancing tricks that analyzes training videos to recognize the performed trick and grade the final pose with transparent, geometry-based feedback. A domain-specific dataset was curated and annotated for this purpose.It includes 836 clips from 58 participants, labeled with a state scheme that supports multi-trick recognition and explicit background modeling.Pole-Arina combines a lightweight bidirectional LSTM for frame-wise recognition with a rule engine that evaluates trick-specific orientations, joint alignments, and proximities, rendering interpretable overlays and concise tips. The model achieved 93.82% per-frame accuracy across all classes and 98.74% trick-only accuracy on end-pose frames.A controlled between-groups user study compared Pole-Arina against traditional video self-review.Participants using Pole-Arina reported significantly higher trust in the feedback and greater clarity for how to improve, and rated usability higher. These results indicate that Pole-Arina can deliver accurate recognition and actionable feedback that users trust and understand, making structured coaching accessible outside the studio. This work establishes a practical baseline for AI coaching in pole sports.

Diese Arbeit stellt Pole-Arina vor, ein markerloses Trainingssystem für statische Pole-Dance-Tricks, das Trainingsvideos analysiert, um den ausgeführten Trick zu erkennen und die Endpose mit transparentem, geometriebasiertem Feedback zu bewerten. Zu diesem Zweck wurde ein domänenspezifischer Datensatz kuratiert und annotiert. Er umfasst 836 Clips von 58 TeilnehmerInnen, die mit entsprechenden Labeln gekennzeichnet sind, welche die Erkennung mehrerer Tricks sowie passiver Zustände ermöglichen. Pole-Arina kombiniert ein leichtgewichtiges bidirektionales LSTM für die frameweise Erkennung mit einer regelbasierten Engine, die trickspezifische Ausrichtungen im Raum, Gelenkausrichtungen und Abstände bewertet. Diese Daten werden für NutzerInnen durch intuitive Visualisierungen und verständliche Tipps zugänglich gemacht. Das Modell erreichte eine accuracy von 93,82% pro Frame über alle Klassen hinweg und eine accuracy von 98,74% für trickspezifische Klassen. In einer kontrollierten between-groups Anwenderstudie wurde Pole-Arina mit der traditionellen Video-Selbstbewertung verglichen. Die TeilnehmerInnen, die Pole-Arina verwendeten, gaben an, dass sie dem Feedback deutlich mehr Vertrauen schenkten und mehr Klarheit darüber hatten, wie sie sich verbessern konnten. Außerdem wurde die Benutzerfreundlichkeit in der Pole-Arina Gruppe höher bewertet. Diese Ergebnisse zeigen, dass Pole-Arina eine genaue Erkennung und umsetzbares Feedback liefern kann, dem die Benutzer vertrauen und das sie verstehen, wodurch strukturiertes Coaching auch außerhalb des Studios zugänglich wird. Diese Arbeit schafft eine praktische Grundlage für KI-Coaching im Pole-Sport.