Jul, 2024

利用深度神经网络检测划艇短距离力传感器信号中非解析定义的专家事件标签

HTML
PDF
TL;DR使用卷积神经网络和循环神经网络来自动预测运动员在划船时的桨划周期，并提出了基于时间窗口的事件检测方法来评估模型性能。结果显示，基于双向门控循环单元（BGRUs）的循环神经网络是最适合进行桨划检测的模型。
发现论文，激发创造
  • 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

    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。

    May, 2017

  • TrackNet：一种用于体育应用中追踪高速小目标的深度学习网络

    本研究通过使用深度学习模型TrackNet，从模糊、带残影并有时不可见的广播视频中跟踪网球。在2017年夏季大学运动会男子单打决赛的视频上，TrackNet的准确度、召回率和F1-measure达到了99.7％、97.3％和98.5％。

    Jul, 2019

  • 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

  • 利用 Mask R-CNN 进行独木舟竞赛视频水线检测分析

    本论文提出了一种基于Mask R-CNN和多阶段线性回归的自动检测皮艇训练中的水线方法, 可评估运动员表现的运动学参数, 并在对多位专家的实验结果评估中展现出高性能和新的自动视频分析应用前景。

    Apr, 2020

  • 解耦视频和人体动作: 进军运动员录像实用事件检测

    本研究旨在解决在个人运动员记录中检测运动事件的问题，通过使用2D人体姿势序列作为中间表示，并结合领域自适应的运动员追踪，提出了两种事件检测方法，在游泳和田径领域进行了评估，从而实现了灵活的基于姿势的运动事件检测。

    Apr, 2020

  • 基于混合动态静态上下文感知机制的长视频行为评估注意力网络

    该研究开发了一种混合动态-静态上下文感知关注网络（ACTION-NET）,以供评估运动视频的动作质量，并提出了一个上下文感知关注模块,可以提取更加强健的流特征，其中静态特征代表特定时刻的动作质量。此外，研究者收集和注释了新的韵律体操数据集，以供评估长视频的动作质量评估。

    Aug, 2020

  • 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

  • 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

  • 一种使用腰部佩戴的IMU进行排球跳跃分类的多阶段时间卷积网络

    使用惯性测量单元的不显眼系统和多层时间卷积网络模型可准确地识别排球跳跃类型，表现优于其他深度学习模型，并且具有较低的计算成本。

    Oct, 2023

  • 基于深度学习的足球中的上下文冲刺分类

    本研究提出一种深度学习框架，用于将足球中的冲刺自动分类为上下文类别，实验结果显示，我们的模型以77.65%的准确率将测试数据集中的冲刺分类为15个类别，表明该提议的框架在促进足球冲刺的集成分析方面具有潜力。

    Jun, 2024