在DeepLabV3 CSP Darknet53模型下,用于高质量开发和运动的智能转型的轻量级深度学习技术
1School of Physical Education, Huanghuai University, Zhumadian, 463000, China. 20081098@huanghuai.edu.cn.
Scientific reports
|December 30, 2025
概括
本研究介绍了一种有效的深度学习方法,用于体育姿势识别,结合语义细分和轻量级的OpenPose网络. 优化的模型显著提高了智能健身应用程序的准确性和回忆.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 运动技术技术 运动技术
背景情况:
- 体育行业正在经历智能转型,对高效的姿势识别需求日益增加.
- 现有的方法通常具有高的计算成本,限制了它们在实时应用中的使用.
研究的目的:
- 开发一个计算效率高,准确的体育姿势识别方法.
- 为智能健身和娱乐场景优化姿势识别.
主要方法:
- 使用DeepLabV3+语义细分来提取体育装备坐标.
- 实现了一个精简的OpenPose网络,配有用于人类关键点检测的空间注意模块.
- 集成DeepLabV3+与CSP-Darknet53以提高性能.
主要成果:
- 拟议的DeepLabV3+-CSP-Darknet53模型实现了超过0.9.9的F1分数,准确性和回忆.
- 在多个数据集和关键点位置上,在基线算法上表现出优异的性能.
- 实现了高精度 (0.97),精度 (0.98),回忆 (0.98),以及F1得分 (0.98).
结论:
- 开发的方法为体育姿势识别提供了有效和计算效率高的解决方案.
- 该型号的强大性能支持智能体育应用的进步.
- 轻量级深度学习技术的整合解决了对低计算成本解决方案的需求.
