May, 2017

利用卷积神经网络将连续视频转换为简单的信号以进行游泳姿势检测

PDF
TL;DR利用卷积神经网络（CNN）可以在体育领域中自动检测运动员动作的离散事件，提高了视频分析的精度和效率。
convolutional neural networkstroke detectionvideo analysissportstraining
发现论文，激发创造
  • 双流卷积神经网络视频特征学习分析 —— 以斑马鱼游泳节律分类为例

    采用深度泰勒分解技术生成热图来突出预测的高相关性输入区域，研究表明用于分析鱼尾稳定性的卷积神经网络 (CNN) 更好地区分斑马鱼的泳动方式，并探究网络对实验人为因素的关注点，移除后 CNN 分类准确率提高至 96.32%，证明了 AI 的可解释性对 CNN 的有用性。

    Dec, 2019

  • 利用二维人体姿态估计进行乒乓球拍技术识别

    本文介绍了一种收集乒乓视频数据并进行击球检测和分类的新方法，使用 2D 姿势估计开发的时空卷积神经网络模型能够对这 11 种乒乓球击球进行多分类，以提高运动员的性能。

    Apr, 2021

  • 使用双流卷积网络的 RGB 和姿态信息进行细粒度动作检测

    本论文提出了一种基于卷积神经网络和注意机制的两流网络方法，用于对乒乓球发球进行分类和检测，其中使用了原始 RGB 数据和 MMPose 工具箱计算的姿势信息，采用后期融合方法进行性能提升，并在 TTStroke-21 数据集上进一步评估，对飞球分类的准确率提高了到 87.3％，而检测结果虽没有超过基准，但仍可达到 0.349 的 IoU 和 0.110 的 mAP。

    Feb, 2023

  • 超越短片段：用于视频分类的深度网络

    本论文提出和评估了几个深度神经网络架构，用于对比以往更长时间段内视频图像信息的组合。通过一些新的方法，包括卷积时间特征池化和循环神经网络结构，该论文指出最佳神经网络在 Sports 1 million 数据集（73.1％对 60.9％）和 UCF-101 数据集中（88.6％对 88.0％）及无附加光流信息（82.6％对 72.8％）上明显性能提高。

    Mar, 2015

  • 使用卷积神经网络进行神经状况分类

    本研究使用卷积神经网络模型在非脑电数据集中成功区分四种神经状况，所得结果比传统方法如 SVM 和 RF 更优，在噪声较大的数据集上准确率仍可达到 97.46%。

    Apr, 2021

  • 使用卷积神经网络进行实时手势检测与分类

    本研究提出了一种层次结构的卷积神经网络架构，通过使用滑动窗口方法，使离线工作的卷积神经网络架构能够高效地在线操作，同时细化了手势检测和分类。该架构达到了 94.04％和 83.82％的离线分类准确率以及可实现良好的在线操作表现。

    Jan, 2019

  • 使用卷积长短期记忆学习检测暴力视频

    本文提出了一个基于深度学习神经网络的方法来自动识别监控视频中的暴力行为，具有很高的识别精度。该方法采用卷积神经网络和长短时记忆网络，能够捕捉到视频中局部的时空特征，实现对局部运动的分析，并通过对相邻帧的差异计算来增强所提出方法的识别功能。实验证明，该方法表现优于现有的同类方法，具有广泛的研究价值。

    Sep, 2017

  • 利用球轨迹数据实现乒乓球拍法检测和识别

    本文利用球的轨迹，仅仅使用单个摄像头记录了四名职业乒乓球选手执行的六种不同类别的打法，通过 YOLOv4 和 TrackNetv2 等深度学习算法，研究了在乒乓球场上捕捉和识别击球动作的新方法。

    Feb, 2023

  • 基于卷积神经网络的基于 SSVEP 的干电脑脑电信号分类

    本文提出了一种新颖的卷积神经网络方法，用于分类原始干性脑电信号，具有较高的分类准确度和泛化能力，并与传统的机器学习方法进行了比较。

    May, 2018

  • 通过并行多重感受野 1D 卷积在粗略注释的体育视频中进行事件检测

    针对运动视频分析的问题，我们提出了在粗略注释视频中进行事件检测的任务，并引入了一种多塔时间卷积网络的架构。该方法在 NHL 数据集上获得了 55％的平均 F1 分数，并在 SoccerNet 数据集上实现了与现有技术水平的竞争性表现。我们相信我们的方法将有助于开发更实用的运动视频事件检测流水线。

    Apr, 2020