|
| 基于堆叠式长短期记忆网络的篮球运动员
微动作评价方法 |
|
| |
| DOI： |
| 中文关键词: 深度学习 长短期记忆网络 时空跟踪数据 篮球微动作 下采样 |
| 英文关键词: |
| 基金项目:山东省高等学校科技计划项目资助(J15LN83);山东省社会科学规划研究项目资助(14CTYJ21) |
|
| 摘要点击次数: 845 |
| 全文下载次数: 181 |
| 中文摘要: |
| 为了评估运动员微动作在持球回合中的贡献,提出一个端到端深度学习的评价方法.所提方法不需要复杂的特征提取(如状态间转换的定义和建模),而是将球员和篮球的原始轨迹作为输入,利用堆叠式长短期记忆(Long Short-Term Memory, LSTM)网络学习时空窗口的特征表示,通过一个额外的全连接层对场上球员的隐性空间表征进行级联处理.利用Softmax层对球员的终结动作(如投篮得分、失误、犯规等)的概率进行估计,每个终结动作均与一个预期分值关联,并用其估计预期得分.为了解决数据的不平衡性,对训练阶段使用参数化的下采样方案.实验结果表明:所提方法可以准确地估计回合结果的概率分布,对技术统计数据之外的微动作评价具有参考价值. |
| 英文摘要: |
| |
|
查看全文
查看/发表评论 下载PDF阅读器 |
| 关闭 |
|
|
|
