Resumen

En este estudio se utiliza un enfoque de aprendizaje profundo para proporcionar información sobre el reconocimiento de movimientos de aeróbicos, y el modelo se emplea para el reconocimiento de movimientos de aeróbicos. La complejidad del modelo se reduce significativamente, mientras que se extraen las características multi-escala del objetivo a nivel detallado, mejorando significativamente la caracterización del objetivo, al incrustar módulos de convolución multi-escala livianos en redes residuales convolucionales 3D para aumentar el rango de campo perceptual local en cada capa de la red. Finalmente, utilizando el mecanismo de atención de canal, se extraen las características clave de las características multi-escala. Para crear un modelo de detección de velocidad de cuadro dual, la idea de combinación rápida-lenta se fusiona en una red convolucional 3D. Para obtener información semántica espacial e información de movimiento en el video, el modelo utiliza diferentes velocidades de cuadro, y la información de dos canales se fusiona con características mediante concatenación lateral. Tras la adquisición de todas las características,

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Aprendizaje profundo; Reconocimiento de movimientos de aeróbicos; Características multi-escala; Redes convolucionales; Red de detección temporal; Reconocimiento de comportamientos
• Keywords:Deep learning; Aerobics movement recognition; Multi-scale features; Convolutional networks; Temporal detection network; Behavior recognition