提升注意力,为在网球运动中进行动作识别而设有门的循环单元
1College of Sports and Health Management, Henan Finance University, Zhengzhou, China.
PeerJ. Computer science
|January 23, 2024
概括
这项研究介绍了基于注意力的门式循环单元 (GRU) 在网球中用于人类动作识别 (HAR). 该模型显著提高了动作预测的准确性,证明了其对复杂活动分析的有效性.
科学领域:
- 计算机视觉和人工智能的人工智能
- 人类行动识别 (HAR)
- 深度学习用于活动分析.
背景情况:
- 人类动作识别 (HAR) 对于机器来解释人类运动至关重要.
- 现有的HAR系统使用深度学习和运动分析,用于监视,医疗保健和体育领域的应用.
- 需要先进的HAR模型,能够识别复杂的动作.
研究的目的:
- 开发一个改进的人类动作识别 (HAR) 系统来识别网球动作.
- 为了评估基于注意力的闭门循环单元 (GRU) 对HAR的有效性.
- 与其他深度学习方法比较拟议模型的性能.
主要方法:
- 开发了一个使用基于注意力的门式循环单元 (GRU) 的 HAR 系统.
- 在THETIS数据集上训练和评估的模型用于细粒度网球行动.
- 使用InceptionV3,DenseNet和EfficientNetB5作为图像编码器来评估特征提取.
主要成果:
- 与其他两个深度学习模型相比,基于注意力的GRU模型显示出更强的预测能力.
- 模型实现了高性能,ROC-AUC得分为0.97 (InceptionV3),0.98 (DenseNet) 和0.81 (EfficientNetB5).这些模型的性能均为0.97 (InceptionV3),0.98 (DenseNet) 和0.81 (EfficientNetB5).
- PR-AUC得分为0.84 (InceptionV3),0.87 (DenseNet) 和0.49 (EfficientNetB5),证实了模型的有效性.
结论:
- 提出的基于注意力的GRU方法对于在网球中识别行为是有效的.
- 该模型的架构显示了更广泛的人类行动识别 (HAR) 应用的前景.
- 这项研究有助于推进复杂场景中机器对人类运动的理解.
