机构名称：
¥ 1.0
利用高级计算机视觉技术，例如深度学习和对象跟踪算法，手球视频中有能力的主动玩家检测功能可以自动在高速匹配中自动跟踪玩家的运动。这项创新不仅丰富了教练对球员绩效和团队动态的见解，而且还通过实时分析和增强现实增强来提高观众的参与度。在基于实践的手球视频的背景下，多个玩家经常出现，并非所有参与者都从事特定的练习或采用推荐的手球技术。本研究探讨了采用基于CNN的YOLOV8预训练模型与转移学习技术相结合的新方法，以增强手球识别。Yolov8 Architecture的高级功能是利用的，以解决玩家跟踪，球轨迹预测和复杂玩家互动中的现有差距。通过转移学习，该模型是使用特定于手球的数据进行微调的，从而在识别玩家，球和关键元素方面进行适应和专业化。该方法利用Yolov8的实时处理和多尺度分析来提高动态游戏方案的准确性，克服诸如遮挡和快速运动之类的挑战。通过将Yolov8预训练的模型与转移学习相结合，这种方法在实现全面有效的手球识别方面展现了有希望的进步，可以显着增强对玩家动态，球运动和整体游戏玩法的见解。Yolov8与转移学习的融合涉及利用Yolov8的预训练的特征来提取对象特征，然后对手球特异性数据的模型进行微调，以增强其在手球识别的背景下识别球员，球和其他基本要素的能力。我们使用751个手球场景视频的自定义数据集系统地评估了拟议的方法，该视频在培训年轻学员和男孩和男孩的年轻学员和手球学校期间捕获了[22]。测试涵盖了近60,000帧，并结合了诸如灵敏度，特异性和准确性之类的指标。结果表明，我们的方法超过了最新技术，展示了准确性的提高。值得注意的是，提出的方法表现出提高的效率，达到敏感性92.18％，特异性91.13％，精度分别为93.57％和F-评分94.33％。
基于Yolov8的深层手球检测系统...
主要关键词
相关文件推荐
