Resumen

Con el rápido desarrollo de los algoritmos de aprendizaje profundo, se aplica gradualmente en la conducción de UAV (vehículos aéreos no tripulados), el reconocimiento visual, el seguimiento de objetivos, el reconocimiento del comportamiento y otros campos. En el campo de los deportes, muchos científicos proponen la investigación de la tecnología de seguimiento y reconocimiento de objetivos basada en algoritmos de aprendizaje profundo para la captura de la trayectoria y el comportamiento de los atletas. Basándose en el algoritmo de seguimiento de objetivos, se propone un algoritmo RPN de red de propuesta regional combinado con el algoritmo siamés de red de propuesta regional gemela para estudiar la tecnología de seguimiento y reconocimiento del comportamiento de los atletas. A continuación, se utiliza la red de actualización adaptativa para rastrear el objetivo de comportamiento de los atletas, y se establece el modelo de simulación del reconocimiento del comportamiento. Este algoritmo es diferente del algoritmo de red gemela tradicional. Puede tomar con precisión el comportamiento del atleta como la caja candidata al objetivo en el entrenamiento del modelo y reducir la interferencia del entorno y otros factores en el reconocimiento del modelo. Los resultados muestran que el algoritmo Siamese-RPN puede reducir la interferencia del fondo y del entorno al seguir la trayectoria del comportamiento objetivo de los atletas. Este algoritmo puede mejorar el modelo de reconocimiento del comportamiento de entrenamiento, ignorar los elementos de interferencia del fondo de la imagen del comportamiento y mejorar la precisión y el rendimiento general del modelo. En comparación con el método tradicional de redes gemelas para el reconocimiento del comportamiento deportivo, el algoritmo Siamese-RPN estudiado en este trabajo puede realizar operaciones fuera de línea y distinguir los factores de interferencia del entorno de los atletas. Puede capturar rápidamente los puntos característicos del comportamiento de los deportistas como entrada de datos del modelo de seguimiento, por lo que tiene un excelente valor de popularización y aplicación.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:red de propuesta regional, algoritmo de aprendizaje profundo, red gemela tradicional, tecnología de reconocimiento, seguimiento de objetivos, algoritmo rpn, algoritmo rpn de red, investigación de objetivos, reconocimiento de comportamiento deportivo, modelo de comportamiento
• Keywords:regional proposal network, deep learning algorithm, traditional twin network, recognition technology, target tracking, rpn algorithm, network rpn algorithm, research of target, sports behavior recognition, model of behavior