面向实时篮球动作识别的 IoT 增强型 EITNet 框架
计算机视觉与模式识别
2024-10-15 v1 人工智能
机器学习
摘要
将 IoT 技术集成到篮球动作识别中可增强体育分析，为玩家表现和比赛策略提供关键见解。然而，现有方法在准确率和效率方面往往不足，尤其是在玩家动作频繁遮挡或涉及复杂相互作用的复杂实时环境中。为克服这些挑战，我们提出了 EITNet 模型，这是一个深度学习框架，将 EfficientDet 用于目标检测，I3D 用于时空特征提取，TimeSformer 用于时序分析，全部集成 IoT 技术以实现无缝的实时数据收集和处理。我们的贡献包括开发 robust 架构，将识别准确率提高至92%，超越基线 EfficientDet 模型的87%，在50个纪元中将损失降至5.0以下，而 EfficientDet 的损失为9.0。此外，IoT 技术的集成增强了实时数据处理，为玩家表现和策略提供自适应见解。本文详细介绍了 EITNet 的设计和实现、实验验证以及对现有模型的全面评估。结果表明，EITNet 有潜力显著推动自动化体育分析的发展，并优化数据用于玩家表现和策略改进的利用。
引用
@article{arxiv.2410.09954,
title = {EITNet: An IoT-Enhanced Framework for Real-Time Basketball Action Recognition},
author = {Jingyu Liu and Xinyu Liu and Mingzhe Qu and Tianyi Lyu},
journal= {arXiv preprint arXiv:2410.09954},
year = {2024}
}
备注
pages