基于卷积神经网络的排球运动识别方法
Hua Wang1, Xiaojiao Jin2, Tianyang Zhang3
1Physical Education Department, Xinxiang Institute of Engineering, Xinxiang, 453000, China.
Heliyon
|August 3, 2023
概括
这项研究增强了对排球动作识别的深度学习. 改进的3D网络准确地识别了球员的运动,提高了大学体育教育的教学效率.
科学领域:
- 计算机科学 计算机科学
- 运动科学 运动科学 运动科学
- 人工智能的人工智能
背景情况:
- 传统的视频分析方法对于排球等体育运动中的特定目标分析是不够的.
- 视频数据的智能处理对于分析大学体育教育中的各种学生运动至关重要.
- 对于排球动作识别的深度学习的研究仍然有限.
研究的目的:
- 为了解决目前排球行动识别的局限性.
- 通过深度学习来提高分析排球运动的准确性和效率.
- 通过智能视频分析,为大学体育教育开发更有效的工具.
主要方法:
- 为排球行动构建了一个专门的数据集.
- 改进了一个卷积神经网络 (CNN) 模型.
- 开发了新的神经网络结构,以增强非线性表达和优化输入数据.
主要成果:
- 与原始相比,改进的3D网络实现了3.3%至88.5%的精度增加.
- 计算复杂性减少了33.6%.
- 增强的模型在识别排球动作方面表现出卓越的性能.
结论:
- 改进的深度学习模型为排球动作识别提供了更准确,更有效的解决方案.
- 这项技术具有显著的潜力,可以提高大学体育教育的指导和分析.
- 对体育活动识别的深度学习进行进一步的研究是有必要的.


