一种基于突出形象语义的足球犯规行为特征划分方法
1Department of Physical Education, Tongling University, Tongling, Anhui, China.
PloS one
|June 13, 2025
概括
本研究介绍了一种基于深度学习的突出预测模型 (DLSPM),用于自动识别足球犯规. DLSPM显著提高了复杂体育视频分析的准确性.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 运动分析 运动分析
背景情况:
- 准确识别足球犯规对于公平竞争和绩效分析至关重要.
- 传统方法依赖于手动注释或基本的图像处理,限制了准确性和可扩展性.
- 在体育视频分析中,对自动化,强大的犯规检测的需求正在增长.
研究的目的:
- 开发一个用于识别和分类足球比赛中的犯规的自动化系统.
- 通过使用深度学习来提高犯规检测的准确性和稳定性.
- 减少对手工特征提取和传统图像处理技术的依赖.
主要方法:
- 提出了一个基于深度学习的 Saliency 预测模型 (DLSPM).
- 该模型集成了一个改进的DeepPlaBV 3+架构,用于突出区域检测.
- 图形卷积网络 (GCN) 用于特征提取,而深度神经网络 (DNN) 用于分类.
主要成果:
- 与现有方法相比,DLSPM在各种视频运动识别数据集上表现出卓越的性能.
- 该模型显示了显著的改进,特别是在复杂的场景和动态视频内容.
- 这种方法有效地减少了对手动特征工程的依赖.
结论:
- DLSPM提供了一种新且有效的方法,用于足球中自动识别犯规.
- 这项研究推进了视频运动识别,并对智能监控和人机交互产生影响.
- 拟议的模型为更复杂的体育分析系统提供了基础.
