基于改进FeatDepth的足球运动场景无监督单目图像深度预测

为了在降低成本的同时提高图像深度信息预测的精确度,并将深度估计应用于足球运动场景,提出一种基于改进FeatDepth的足球运动场景无监督单目图像深度预测方法。首先,对原FeatDepth引入注意力机制,使模型更加关注有效的特征信息;其次,将FeatDepth中的PoseNet网络和DepthNet网络分别嵌入GAM全局注意力机制模块,为网络添加额外的上下文信息,在基本不增加计算成本的情况下提升FeatDepth模型深度预测性能;再次,为在低纹理区域和细节上获得更好的深度预测效果,由单视图重构损失与交叉视图重构损失组合而成最终的损失函数。选取KITTI数据集中Person场景较多的部分进行数据集制作并进行仿真实验,结果表明,改进后的FeatDepth模型不仅在精确度上有所提升,且在低纹理区域及细节处拥有更好的深度预测效果。最后,对比模型在足球场景下的推理效果后得出,改进后的模型在低纹理区域(足球、球门等)及细节处(肢体等)有更好的深度预测效果,实现了将基于无监督的单目深度估计模型应用于足球运动场景的目的。

足球比赛场景的三维再现和自动解说

特定领域的视频解说已成为当前多媒体研究的热点问题 ,其中一个主要应用领域是体育运动的解说与分析 .文中介绍一个实用的足球比赛场景的三维重建和视频解说系统 :首先通过足球比赛的视频序列恢复场景的三维模型 ,包括球员的位置、速度等参数 ,以及足球的运动轨迹 ,并根据这些信息和特定的先验知识识别球员的动作行为 ;进而对比赛过程加以评论 ;最后构造一个 Open GL 的虚拟环境 ,用户可以在球场上漫游 。

足球比赛精彩场景的自动分析与提取

提出了基于MPEG压缩域音频流的足球比赛精彩场景自动分析与提取算法 首先直接提取出压缩域音频特征 ;然后基于提取出来的压缩域特征实现解说音的检测和分割 ,并且分别识别足球比赛中解说员激动解说和观众激昂欢呼两种类型音频事件 ;最后通过概率融合生成最终结果 ,融合结果所对应的比赛片段就是提取出的足球比赛精彩场景

业余足球运动员中反应灵敏与变向速度的相关性研究

使用具有4种方向变换的跑步测试来测量业余足球运动员的反应灵敏与变向速度的能力,同时结合跳跃能力与步伐频率的测试,来探究反应灵敏和变向速度在业余足球运动员中的关系。研究方法:采用实验法、测量法,以及文献资料法。本实验选用的受试者是来自北京体育大学的16名业余足球运动员,实验要求受试者在场地上依次完成具有4个方向跑动变换的反应灵敏与变向速度测试,之后测量出纵跳高度与步伐移动频率。研究结论:反应灵敏能力测试和变向速度能力测试并未存在很多显著的区别,且存在低共性的变化。这表明了,在完成一个预先计划好的对抗性跑动具有方向变换的任务时,需要不同类型的能力。这个结论也再次强调了,在反应灵敏表现中,感知觉和决策因素的重要性。