A Aplicação de Aprendizado Profundo no Treinamento Esportivo

Em resposta aos problemas de sobreajuste, suscetibilidade a informações de interferência e capacidade insuficiente de expressão de características nos métodos existentes de aprendizado profundo para reconhecimento de ações esportivas, o autor propõe um método de reconhecimento de ações esportivas baseado em aprendizado profundo que integra mecanismo de atenção. Este método propõe um algoritmo de aumento de dados de vídeo na pré-processamento de dados para reduzir o risco de sobreajuste do modelo. Em seguida, durante o processo de amostragem de quadros de vídeo, os algoritmos de amostragem existentes são aprimorados para suprimir efetivamente a influência das informações de interferência. Na seção especial, a consolidação residual da rede é proposta para melhorar a capacidade de extração de características da estrutura. A rede Long Term Time Transform (LSTM) é utilizada para resolver o problema da correlação global da correlação espacial, e o algoritmo de classificação é alcançado pelo Softmax. Os resultados experimentais mostram que as taxas de reconhecimento deste método nos dados UCFYouTube, KTH e HMDB-51 são de 96,73%, 98,07% e 64,82%, respectivamente.