CN115374879A - 基于深度学习与历史经验数据的桌面冰壶轨迹预测方法 - Google Patents
基于深度学习与历史经验数据的桌面冰壶轨迹预测方法 Download PDFInfo
- Publication number
- CN115374879A CN115374879A CN202211134885.5A CN202211134885A CN115374879A CN 115374879 A CN115374879 A CN 115374879A CN 202211134885 A CN202211134885 A CN 202211134885A CN 115374879 A CN115374879 A CN 115374879A
- Authority
- CN
- China
- Prior art keywords
- curling
- desktop
- features
- module
- track
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000010586 diagram Methods 0.000 claims abstract description 26
- 230000015654 memory Effects 0.000 claims abstract description 17
- 238000006073 displacement reaction Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 230000000306 recurrent effect Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000002452 interceptive effect Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 235000000396 iron Nutrition 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 101150060512 SPATA6 gene Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于深度学习与历史经验数据的桌面冰壶轨迹预测方法，包括以下步骤：(1)获取桌面冰壶历史运动视频数据作为训练样本数据；(2)将桌面冰壶历史运动视频数据输入到桌面冰壶目标检测深度学习网络中，学习每个时刻上桌面冰壶的位置特征；(3)通过每一时刻桌面上不同冰壶位置以及同一冰壶在不同时刻的位置建模冰壶轨迹的空间图与时间图；(4)将冰壶轨迹空间图与时间图数据输入到基于自注意机制和长短期记忆递归神经网络的多步冰壶轨迹预测网络中，预测未来一段时间内的冰壶运动轨迹；(5)基于预测的桌面冰壶轨迹进行“平均位移误差”和“最终位移误差”分析。本发明为桌面冰壶轨迹预测提供了一种新型实用的方法，通过对桌面冰壶历史运动视频利用有效的桌面冰壶目标检测深度学习网络获取冰壶历史运动轨迹，在基于历史轨迹的图结构建模的基础上在时间维度和空间维度上利用自注意机制以及长短期记忆递归神经网络对冰壶运动轨迹特征建模，实现对冰壶运动轨迹的准确预测。
Description
技术领域
本发明涉及视频目标追踪和轨迹预测领域，具体而言涉及基于深度学习与历史经验数据的桌面冰壶轨迹预测方法。
背景技术
冰壶(Curling)，又称掷冰壶、冰上溜石，是以队为单位在冰上进行的一种投掷性竞赛项目，被喻为冰上的“国际象棋”。作为2022北京冬奥会正式比赛项目，冰壶运动受到广泛关注。但由于冰壶价格昂贵，比赛场地要求较高，人们无法体验到冰壶运动的乐趣。因此，能够模拟冰壶运动的桌面冰壶可以让人们更方便的享受冰壶运动的乐趣。
桌面冰壶与冰壶运动同样是一种竞技性的运动，因此通过对大量桌面冰壶历史运动数据对未来轨迹进行预测，可以更好的帮助我们进行训练和制定战术。基于神经网络的深度学习技术可以在大量经验时序数据上自动学习建模模型，这成为桌面冰壶轨迹预测问题的重要可能。基于深度学习的桌面冰壶轨迹预测方法需要解决从视频数据中提取桌面冰壶轨迹，并根据经验数据预测未来一段时间的运动轨迹等问题。
发明内容
为解决上述问题，本发明目的在于提出一种基于深度学习与历史经验数据的桌面冰壶轨迹预测方法，使用高效的桌面冰壶检测网络提取冰壶空间坐标，在冰壶历史运动轨迹建模的基础上，应用基于自注意机制和长短期记忆递归神经网络的多步冰壶轨迹预测网络，实现桌面冰壶轨迹预测。
为达成上述目的，结合图1，本发明提出基于深度学习与历史经验数据的桌面冰壶轨迹预测方法包括以下步骤：
S1、获取桌面冰壶历史运动视频数据作为训练样本数据；
S2、将桌面冰壶历史运动视频数据输入到桌面冰壶目标检测深度学习网络中，学习每个时刻上桌面冰壶的空间坐标；
S3、通过一段时间内的桌面冰壶空间坐标建模冰壶轨迹的空间图；
S4、将冰壶轨迹空间图数据按时序输入到基于自注意机制、图卷积网络和长短期记忆递归神经网络的多步冰壶轨迹预测网络中，预测未来一段时间内的冰壶运动轨迹；多步冰壶轨迹预测网络结构包括自注意模块、图卷积网络和轨迹预测模块；
S5、基于预测的桌面冰壶轨迹进行“平均位移误差”和“最终位移误差”分析。
进一步地，步骤S1包括以下子步骤：
S101、使用图像采集设备获取桌面冰壶历史运动视频图像数据；
S102、将视频图像每一维的数据归一化到[0,1]。
进一步地，所述的桌面冰壶目标检测深度学习网络包括多尺度特征提取模块、空间金字塔池化模块、路径聚合模块和桌面冰壶位置预测头；步骤S2包括以下子步骤：
S201、多尺度特征提取模块使用卷积模块和残差模块提取多尺度特征；
S202、空间金字塔池化模块对多尺度特征提取模块最后提取到的特征使用不同尺寸的最大值池化获取感受野不同的池化特征，并使用连接操作得到上下文特征；
S203、路径聚合模块通过使用卷积、上采样以及连接操作对上下文特征以及不同尺度的提取特征进行堆叠，反复提取特征；
S204、桌面冰壶预测头首先对不同尺度的特征使用卷积操作得到候选边界框；然后通过非极大值抑制筛选得到最终的边界框；整个网络使用交叉熵损失函数进行训练。
进一步地，S201中，卷积模块包括一个卷积层、一个批标准化层和一个Mish激活函数；残差模块包括3个卷积模块和X个残差单元组成，X为不小于1的正整数；其中每个残差单元为包含2个卷积模块，将通过卷积模块处理过的输入特征和原始输入特征特征相加，获得残差单元的输出特征的模块。
进一步地，S202中，空间金字塔池化包括三种不同尺度的池化模块以及连接操作，它是将输入特征使用核大小不同的三种全局池化提取池化特征，然后将这三种不同大小的池化特征上采样到输入特征大小，然后与原始输入特征通过连接操作得到最终输出特征。
进一步地，S203中，每个卷积模块包括一个卷积层、一个批标准化层、一个LRelu激活函数。
进一步地，步骤S3包括以下子步骤：
S301、根据所有桌面冰壶的最终边界框，我们提取他们的空间坐标；
S302、根据空间坐标建模在时间t处表示冰壶之间交互关系的空间图，它的每个节点代表不同冰壶，每条边表示它们之间的交互关系。
进一步地，所述的多步冰壶轨迹预测网络包括自注意模块和轨迹预测模块，其中步骤S4包括以下子步骤：
S401、自注意模块使用自注意机制，首先对空间图应用线性变换生成图嵌入，然后再对图嵌入应用线性变换获取自注意机制的查询和键，对查询和键通过矩阵乘法来计算非对称注意得分矩阵，然后使用Softmax激活函数，得到表示密集交互作用的伴随矩阵；将伴随矩阵和冰壶空间坐标编码构建图并输入到图卷积神经网络获得代表冰壶之间交互特征；
S402、轨迹预测模块是一个基于长短期记忆模块的编码器-解码器神经网络，将生成的交互特征和冰壶运动特征相结合，输入到长短期记忆模块的编码器中，并通过解码器依次输出后续轨迹预测结果；整个网络使用均方误差损失进行训练。
进一步地，S402中，交互特征是由自注意模块和图卷积网络生成的，运动特征T个时间节点上N个冰壶位置坐标
将他们输入到长短期记忆模块的编码器中，每个长短期记忆模块处理一个运动目标i的输入特征冰生成中间特征hi，然后通过长短期记忆模块解码器依次生成输出特征mi并得到后续轨迹预测结果，其中采用不同颜色的点表示不同的目标在不同时刻的空间坐标
用白色表示预测结果在不同时刻的空间坐标
使用短线对不同时刻的点进行连接表示运动轨迹；整个网络使用均方误差损失进行训练。
进一步地，步骤S5包括如下子步骤：
S501、根据未来几步预测轨迹点空间坐标和真实轨迹点空间坐标之间欧式距离的平均值，进行平均位移误差分析；
S502、根据最后一步预测轨迹点空间坐标和真实轨迹点空间坐标之间欧式距离，进行最终位移误差分析。
有益效果：以上发明的技术方案，与现有相比，本发明其显著的有益效果在于：使用高效的桌面冰壶检测网络提取冰壶空间坐标，在冰壶历史运动轨迹建模的基础上，应用基于自注意机制和长短期记忆递归神经网络的多步冰壶轨迹预测网络，实现桌面冰壶轨迹预测。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
图1是本发明的基于深度学习与历史经验数据的桌面冰壶轨迹预测方法的流程图。
图2是本发明中桌面冰壶目标检测深度学习网络的结构示意图。
图3是桌面冰壶检测结果图。
图4是本发明中多步冰壶轨迹预测网络的结构示意图。
图5是桌面冰壶轨迹预测结果和误差分析示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
图1是本发明一个实施例的基于深度学习与历史经验数据的桌面冰壶轨迹预测方法的流程图。如图1所示，根据基于深度学习与历史经验数据的桌面冰壶轨迹预测方法包括以下步骤：
S1、获取桌面冰壶历史运动视频数据作为训练样本数据。
S101、使用图像采集设备获取桌面冰壶历史运动视频数据；
S102、将视频图像每一维的数据归一化到[0,1]。
S2、将桌面冰壶历史运动视频数据输入到桌面冰壶目标检测深度学习网络中，学习每个时刻上桌面冰壶的空间坐标，网络结构如图2所示，该网络包含多尺度特征提取、空间金字塔池化、路径聚合和预测头四个部分；
S201、多尺度特征提取模块使用卷积模块(CBM)和残差模块(CSPX)提取多尺度特征。其中CBM包含一个卷积层、一个批标准化层和一个Mish激活函数。残差模块(CSPX)由3个CBM模块和X个残差单元组成：每个残差单元包含2个CBM模块，将通过CBM模块处理过的输入特征和原始输入特征特征相加，得到残差单元的输出特征；因此残差模块将输入特征通过CBM、X个残差单元和CBM处理后与一个经过一个CBM处理后的特征连接在一起，得到最终输出特征；
S202、空间金字塔池化(SPP)模块对多尺度特征提取模块最后提取到的特征使用不同尺寸的最大值池化获取感受野不同的池化特征，并使用连接操作得到上下文特征。空间金字塔池化(SPP)由三种不同尺度的池化模块以及连接操作组成，它将三种输入特征使用核大小不同的，例如可以选择分别为5,9,13的全局池化提取池化特征，然后将这三种不同大小的池化特征上采样到输入特征大小，然后与原始输入特征通过连接操作得到最终输出特征；
S203、路径聚合模块通过使用卷积模块(CBL)、上采样以及连接操作对上下文特征以及不同尺度的提取特征进行堆叠，反复提取特征。每个CBL包含一个卷积层、一个批标准化层和一个LRelu激活函数；
S204、桌面冰壶预测头首先对不同尺度的特征使用卷积操作得到候选边界框；然后通过非极大值抑制筛选得到最终的边界框；整个网络使用交叉熵损失函数进行训练。
S3、通过一段时间内的桌面冰壶空间坐标建模冰壶轨迹的空间图。
S301、根据所有桌面冰壶的最终边界框，我们提取他们的空间坐标；
S302、根据空间坐标建模在时间t处表示冰壶之间交互关系的空间图，它的每个节点代表不同冰壶，每条边表示它们之间的交互关系。
S4、将冰壶轨迹空间图数据按时序输入到基于自注意机制、图卷积网络和长短期记忆递归神经网络的多步冰壶轨迹预测网络中，预测未来一段时间内的冰壶运动轨迹。多步冰壶轨迹预测网络的结构如图4所示，该网络包含自注意模块、图卷积网络和轨迹预测模块两个部分：
S401、自注意模块使用自注意机制，首先对空间图应用线性变换生成图嵌入，然后再对图嵌入应用线性变换获取自注意机制的查询和键，对查询和键通过矩阵乘法来计算非对称注意得分矩阵，然后使用Softmax激活函数，得到表示密集交互作用的伴随矩阵；将伴随矩阵和冰壶空间坐标编码构建图并输入到图卷积神经网络获得代表冰壶之间交互特征；
S402、轨迹预测模块是一个基于长短期记忆模块的编码器-解码器神经网络(LSTM)，将生成的交互特征和冰壶运动特征相结合，其中，交互特征是由自注意模块和图卷积网络生成的，运动特征T个时间节点上N个冰壶位置坐标
将他们输入到长短期记忆模块(LSTM)的编码器中，每个LSTM处理一个运动目标i的输入特征冰生成中间特征hi，然后通过长短期记忆模块(LSTM)解码器依次生成输出特征mi并得到后续轨迹预测结果，如图5所示，其中不同颜色的点表示不同的目标在不同时刻的空间坐标，
白色表示预测结果在不同时刻的空间坐标
使用短线对不同时刻的点进行连接表示运动轨迹；整个网络使用均方误差损失进行训练。
S5、基于预测的桌面冰壶轨迹进行“平均位移误差”和“最终位移误差”分析。
S501、根据未来几步预测轨迹点空间坐标和真实轨迹点空间坐标之间欧式距离的平均值，进行平均位移误差分析；
S502、根据最后一步预测轨迹点空间坐标和真实轨迹点空间坐标之间欧式距离，进行最终位移误差分析。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (10)
1.基于深度学习与历史经验数据的桌面冰壶轨迹预测方法，其特征在于，包括以下步骤：
S1、获取桌面冰壶历史运动视频数据作为训练样本数据；
S2、将桌面冰壶历史运动视频数据输入到桌面冰壶目标检测深度学习网络中，学习每个时刻上桌面冰壶的空间坐标；
S3、通过一段时间内的桌面冰壶空间坐标建模冰壶轨迹的空间图；
S4、将冰壶轨迹空间图数据按时序输入到基于自注意机制、图卷积网络和长短期记忆递归神经网络的多步冰壶轨迹预测网络中，预测未来一段时间内的冰壶运动轨迹；多步冰壶轨迹预测网络结构包括自注意模块、图卷积网络和轨迹预测模块；
S5、基于预测的桌面冰壶轨迹进行“平均位移误差”和“最终位移误差”分析。
2.根据权利要求1所述的基于深度学习与历史经验数据的桌面冰壶轨迹预测方法，其特征在于，步骤S1包括：
S101、使用图像采集设备获取桌面冰壶历史运动视频图像数据；
S102、将视频图像每一维的数据归一化到[0,1]。
3.根据权利要求1所述的基于深度学习与历史经验数据的桌面冰壶轨迹预测方法，其特征在于，所述的桌面冰壶目标检测深度学习网络包括多尺度特征提取模块、空间金字塔池化模块、路径聚合模块和桌面冰壶位置预测头；步骤S2包括以下子步骤：
S201、多尺度特征提取模块使用卷积模块和残差模块提取多尺度特征；
S202、空间金字塔池化模块对多尺度特征提取模块最后提取到的特征使用不同尺寸的最大值池化获取感受野不同的池化特征，并使用连接操作得到上下文特征；
S203、路径聚合模块通过使用卷积模块、上采样以及连接操作对上下文特征以及不同尺度的提取特征进行堆叠，反复提取特征；
S204、桌面冰壶预测头首先对不同尺度的特征使用卷积操作得到候选边界框；然后通过非极大值抑制筛选得到最终的边界框；整个网络使用交叉熵损失函数进行训练。
4.根据权利要求3所述的基于深度学习与历史经验数据的桌面冰壶轨迹预测方法，其特征在于，S201中，卷积模块包括一个卷积层、一个批标准化层和一个Mish激活函数；残差模块包括3个卷积模块和X个残差单元组成，X为不小于1的正整数；其中每个残差单元为包含2个卷积模块，将通过卷积模块处理过的输入特征和原始输入特征特征相加，获得残差单元的输出特征的模块。
5.根据权利要求3所述的基于深度学习与历史经验数据的桌面冰壶轨迹预测方法，其特征在于，S202中，空间金字塔池化包括三种不同尺度的池化模块以及连接操作，它是将输入特征使用核大小不同的三种全局池化提取池化特征，然后将这三种不同大小的池化特征上采样到输入特征大小，然后与原始输入特征通过连接操作得到最终输出特征。
6.根据权利要求3所述的基于深度学习与历史经验数据的桌面冰壶轨迹预测方法，其特征在于，S203中，每个卷积模块包括一个卷积层、一个批标准化层、一个LRelu激活函数。
7.根据权利要求1所述的基于深度学习与历史经验数据的桌面冰壶轨迹预测方法，其特征在于，步骤S3包括以下子步骤：
S301、根据所有桌面冰壶的最终边界框，提取它们的空间坐标；
S302、根据空间坐标建模在时间t处表示冰壶之间交互关系的空间图，它的每个节点代表不同冰壶，每条边表示它们之间的交互关系。
8.根据权利要求1所述的基于深度学习与历史经验数据的桌面冰壶轨迹预测方法，其特征在于，所述的多步冰壶轨迹预测网络包括自注意模块和轨迹预测模块，其中步骤S4包括以下子步骤：
S401、自注意模块使用自注意机制，首先对空间图应用线性变换生成图嵌入，然后再对图嵌入应用线性变换获取自注意机制的查询和键，对查询和键通过矩阵乘法来计算非对称注意得分矩阵，然后使用Softmax激活函数，得到表示密集交互作用的伴随矩阵；将伴随矩阵和冰壶空间坐标编码构建图并输入到图卷积神经网络获得代表冰壶之间交互特征；
S402、轨迹预测模块是一个基于长短期记忆模块的编码器-解码器神经网络，将生成的交互特征和冰壶运动特征相结合，输入到长短期记忆模块的编码器中，并通过解码器依次输出后续轨迹预测结果；整个网络使用均方误差损失进行训练。
9.根据权利要求8所述的基于深度学习与历史经验数据的桌面冰壶轨迹预测方法，其特征在于，S402中，交互特征是由自注意模块和图卷积网络生成的，运动特征T个时间节点上N个冰壶位置坐标
将他们输入到长短期记忆模块的编码器中，每个长短期记忆模块处理一个运动目标i的输入特征冰生成中间特征hi，然后通过长短期记忆模块解码器依次生成输出特征mi并得到后续轨迹预测结果，其中采用不同颜色的点表示不同的目标在不同时刻的空间坐标
用白色表示预测结果在不同时刻的空间坐标
使用短线对不同时刻的点进行连接表示运动轨迹；整个网络使用均方误差损失进行训练。
10.根据权利要求1所述的基于深度学习与历史经验数据的桌面冰壶轨迹预测方法，其特征在于，步骤S5包括如下子步骤：
S501、根据未来几步预测轨迹点空间坐标和真实轨迹点空间坐标之间欧式距离的平均值，进行平均位移误差分析；
S502、根据最后一步预测轨迹点空间坐标和真实轨迹点空间坐标之间欧式距离，进行最终位移误差分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211134885.5A CN115374879B (zh) | 2022-09-19 | 2022-09-19 | 基于深度学习与历史经验数据的桌面冰壶轨迹预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211134885.5A CN115374879B (zh) | 2022-09-19 | 2022-09-19 | 基于深度学习与历史经验数据的桌面冰壶轨迹预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115374879A true CN115374879A (zh) | 2022-11-22 |
| CN115374879B CN115374879B (zh) | 2024-02-09 |
Family
ID=84072068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211134885.5A Active CN115374879B (zh) | 2022-09-19 | 2022-09-19 | 基于深度学习与历史经验数据的桌面冰壶轨迹预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115374879B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6873519B1 (ja) * | 2020-04-24 | 2021-05-19 | 中国人民解放軍国防科技大学 | 軌跡予測方法及びシステム |
| CN113052834A (zh) * | 2021-04-20 | 2021-06-29 | 河南大学 | 一种基于卷积神经网络多尺度特征的管道缺陷检测方法 |
| CN113837148A (zh) * | 2021-11-04 | 2021-12-24 | 昆明理工大学 | 一种基于自调节稀疏图transformer的行人轨迹预测方法 |
| CN114116944A (zh) * | 2021-11-30 | 2022-03-01 | 重庆七腾科技有限公司 | 一种基于时间注意力卷积网络的轨迹预测方法及装置 |
| CN114581489A (zh) * | 2022-03-22 | 2022-06-03 | 浙江工业大学 | 一种基于深度学习的视频目标运动轨迹预测方法 |
-
2022
- 2022-09-19 CN CN202211134885.5A patent/CN115374879B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6873519B1 (ja) * | 2020-04-24 | 2021-05-19 | 中国人民解放軍国防科技大学 | 軌跡予測方法及びシステム |
| CN113052834A (zh) * | 2021-04-20 | 2021-06-29 | 河南大学 | 一种基于卷积神经网络多尺度特征的管道缺陷检测方法 |
| CN113837148A (zh) * | 2021-11-04 | 2021-12-24 | 昆明理工大学 | 一种基于自调节稀疏图transformer的行人轨迹预测方法 |
| CN114116944A (zh) * | 2021-11-30 | 2022-03-01 | 重庆七腾科技有限公司 | 一种基于时间注意力卷积网络的轨迹预测方法及装置 |
| CN114581489A (zh) * | 2022-03-22 | 2022-06-03 | 浙江工业大学 | 一种基于深度学习的视频目标运动轨迹预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115374879B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110147743B (zh) | 一种复杂场景下的实时在线行人分析与计数系统及方法 | |
| CN110276269B (zh) | 一种基于注意力机制的遥感图像目标检测方法 | |
| Duan et al. | Detecting small objects using a channel-aware deconvolutional network | |
| CN109978921A (zh) | 一种基于多层注意力机制的实时视频目标跟踪算法 | |
| CN112070729B (zh) | 一种基于场景增强的anchor-free遥感图像目标检测方法及系统 | |
| CN110135567A (zh) | 基于多注意力生成对抗网络的图像字幕生成方法 | |
| CN111666919B (zh) | 一种对象识别方法、装置、计算机设备和存储介质 | |
| CN108334830A (zh) | 一种基于目标语义和深度外观特征融合的场景识别方法 | |
| CN106778768A (zh) | 基于多特征融合的图像场景分类方法 | |
| CN113591968A (zh) | 一种基于非对称注意力特征融合的红外弱小目标检测方法 | |
| CN111709301B (zh) | 一种冰壶球运动状态估计方法 | |
| CN111185008A (zh) | 用于控制游戏中的虚拟角色的方法和设备 | |
| CN110287770B (zh) | 一种基于卷积神经网络的水中个体目标匹配识别方法 | |
| CN114332639B (zh) | 一种非线性残差自注意力机制的卫星姿态视觉测量方法 | |
| CN109063549A (zh) | 基于深度神经网络的高分辨率航拍视频运动目标检测方法 | |
| Lu et al. | Dynamic weighted cross entropy for semantic segmentation with extremely imbalanced data | |
| CN109949217A (zh) | 基于残差学习和隐式运动补偿的视频超分辨率重建方法 | |
| CN113283409A (zh) | 基于EfficientDet和Transformer的航空图像中的飞机检测方法 | |
| CN106530330B (zh) | 基于低秩稀疏的视频目标跟踪方法 | |
| CN107644203A (zh) | 一种形状自适应分类的特征点检测方法 | |
| CN112668662B (zh) | 基于改进YOLOv3网络的野外山林环境目标检测方法 | |
| Wang et al. | Multi-branch spatial-temporal network for action recognition | |
| CN117011648A (zh) | 一种基于单个真实样本的触觉图像数据集扩充方法及设备 | |
| CN115374879A (zh) | 基于深度学习与历史经验数据的桌面冰壶轨迹预测方法 | |
| Ke et al. | Prediction algorithm and simulation of tennis impact area based on semantic analysis of prior knowledge |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |