申请/专利权人:重庆邮电大学
申请日:2023-12-01
公开(公告)日:2024-03-22
公开(公告)号:CN117745813A
主分类号:G06T7/73
分类号:G06T7/73;G06V10/40;G06V10/62;G06V10/42;G06V10/764;G06V10/82;G06V40/10;G06N3/0499;G06N3/096
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.09#实质审查的生效;2024.03.22#公开
摘要:本发明涉及一种基于多实例学习和多头视觉注意力的篮球战术识别方法,属于计算机视觉技术领域。该方法包括以下步骤:获取球场上球员的位置数据,并经过预处理成轨迹图像,基于多实例学习,通过实例组合模块采用组合排列的方式将进攻或者防守方的球员轨迹组成多个实例;将每个实例图像进行分块并嵌入位置信息,将数据分别沿着轨迹滤波器模块和多头注意力模块的两个通道提取轨迹和球场线特征;经过前馈网络将输出维度与战术类别维度进行对应,通过多实例最大置信度层将包中置信度最高的实例输出,得到篮球战术类别和关键球员。本发明为篮球战术识别提供了一种新的方法和思路。
主权项:1.基于多实例学习和多头视觉注意力的篮球战术识别方法,其特征在于:该方法包括以下步骤:S1:针对球员轨迹数据,基于多实例学习,通过实例组合模块nchoosek采用组合排列的方式将进攻或者防守方的球员轨迹组成多个实例;S2:通过分块归一化PN模块将包中的每个实例图像进行分块patch并嵌入位置position信息;S3:将N维数据分别沿着轨迹滤波器模块和多头注意力模块的两个通道提取轨迹和球场线特征;S4:经过前馈网络将输出维度与战术类别维度进行对应;S5:基于多实例学习,通过多实例最大置信度层MILmax将包中置信度最高的实例输出;S6:将球员的位置信息经过预处理成球员轨迹图像作为网络的输入,并经过镜像和翻转的线性增强方法进行数据集增强;S7:在训练阶段,首先在公开数据集上进行预训练,然后迁移学习到篮球战术的数据集;在预测阶段通过前馈网络获得每个战术的概率得分,并通过多实例学习最大置信度层输出最高得分的实例;在优化阶段,使用平滑交叉熵损失函数来减少小数据集造成的过拟合问题;训练迭代得到最好的模型权重。
全文数据:
权利要求:
百度查询: 重庆邮电大学 基于多实例学习和多头视觉注意力的篮球战术识别方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。