深度学习算法在篮球运动员目标检测中的应用

精准识别篮球运动员目标是战术智能生成、运动员行为分析的重要基础,为此改进传统Fast RCNN网络模型构建方式.基于Gabor滤波器平滑图像,提取边缘信息完成篮球运动员图像特征提取;引入EdgeBoxes算法,基于滑动窗口策略提取样本图像目标建议区域,减少目标标注数量;采用迁移学习策略完成Faster R-CNN网络模型的训练,通过分类与回归网络对建议区域目标实施分类和边界回归,精准实现篮球运动员的目标检测.测试结果表明,改进Faster R-CNN网络在目标检测精准度方面有大幅度提高,运行效率显著提升,最高可达18 f·s^(-1).

基于TensorFlow Lite平台的实时目标检测

目标检测是计算视觉的重要研究方向之一,尤其是基于移动设备平台实现快速精准的目标检测功能是非常有必要的。为了能够在移动设备上进行实时目标检测,本文提出一种基于Raspberry Pi 4B硬件平台,采用TensorFlow Lite开发环境,加载MobileNet-SSD网络结构算法的方案。方案采用的MobileNet卷积神经网络和SSD卷积神经网络结合的方法具有检测速度快、占用内存少等优点。同时,本文还对MobileNet-SSD网络结构算法进行了微小优化。该方案通过在公开的数据集上进行测试,对MobileNet-SSD网络结构算法和其改良算法进行了结果比较,结果表明其改良算法的检测速度有所提高,同时其检测精度几乎保持不变,在检测精准度和检测速度上都有良好表现,表明该方案具有较高的应用价值。