隨著信息技術(shù)的飛速發(fā)展,數(shù)字內(nèi)容呈現(xiàn)爆炸式增長(zhǎng)的趨勢(shì)。體育視頻分類對(duì)于服務(wù)器中的數(shù)字內(nèi)容存檔具有相當(dāng)重要的意義,因此利用深度神經(jīng)網(wǎng)絡(luò)（DNN）,并結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）實(shí)現(xiàn)對(duì)15種體育類別的準(zhǔn)確分類。為了使訓(xùn)練出的基于運(yùn)動(dòng)動(dòng)作進(jìn)行分類的模型具有更高的準(zhǔn)確性,從YouTube中搜集體育視頻并將這些體育視頻制作成數(shù)據(jù)集。通過(guò)將CNN提取的特征與RNN中的時(shí)間信息相結(jié)合,建立了用以解決體育視頻分類問(wèn)題的一般模型。針對(duì)10和15種體育視頻的分類問(wèn)題,利用基于VGG-16模型的遷移學(xué)習(xí)設(shè)計(jì)了分類方案,使針對(duì)10和15種體育視頻的測(cè)試識(shí)別準(zhǔn)確性分別達(dá)到了94%和92%,結(jié)果表明,所提出的方案具有較高的準(zhǔn)確性。 

【文章頁(yè)數(shù)】：5 頁(yè)

【文章目錄】：
0 引 言
1 數(shù)據(jù)集生成
2 基于CNN和RNN的一般視頻分類模型
3 基于VGG-16模型的遷移學(xué)習(xí)
4 仿真與數(shù)據(jù)分析
5 結(jié) 論


【參考文獻(xiàn)】：
期刊論文
[1]遷移模式下卷積神經(jīng)網(wǎng)絡(luò)在虹膜識(shí)別中的應(yīng)用[J]. 趙勇,雷歡,馬敬奇,肖任翔,張壽明.  電子測(cè)量技術(shù). 2020(09)
[2]嵌入CBAM結(jié)構(gòu)的改進(jìn)YOLOV3超寬帶雷達(dá)生命信號(hào)檢測(cè)算法[J]. 王生霄,侯興松,黑夏萌.  國(guó)外電子測(cè)量技術(shù). 2020(03)
[3]基于VGG16架構(gòu)的中國(guó)名人面孔識(shí)別[J]. 王菽裕,吳思,靳瑋琨,關(guān)琛夕,王蒙,畢冰潔.  科技風(fēng). 2020(07)
[4]基于時(shí)頻融合和注意力機(jī)制的深度學(xué)習(xí)行星齒輪箱故障診斷方法[J]. 孔子遷,鄧?yán)?湯寶平,韓延.  儀器儀表學(xué)報(bào). 2019(06)
[5]基于級(jí)聯(lián)回歸網(wǎng)絡(luò)的多尺度旋轉(zhuǎn)人臉檢測(cè)方法[J]. 姚樹(shù)春,蔡黎亞,劉正.  電子測(cè)量與儀器學(xué)報(bào). 2019(05)
[6]采用圖融合的多模態(tài)半?yún)f(xié)同訓(xùn)練視頻分類算法[J]. 謝娜,吳蘇朋.  電子測(cè)量與儀器學(xué)報(bào). 2019(04)
[7]基于Faster RCNN的鎂還原罐工人檢測(cè)算法[J]. 劉文強(qiáng),辛大欣,華瑾,劉月祺.  國(guó)外電子測(cè)量技術(shù). 2019(04)
[8]基于向量機(jī)的體育運(yùn)動(dòng)視頻自動(dòng)分類方法設(shè)計(jì)[J]. 韓東.  現(xiàn)代電子技術(shù). 2019(07)
[9]基于遷移學(xué)習(xí)的航拍圖像車輛目標(biāo)檢測(cè)方法研究[J]. 袁功霖,尹奎英,李綺雪.  電子測(cè)量技術(shù). 2018(22)
[10]基于半監(jiān)督深度網(wǎng)絡(luò)學(xué)習(xí)的細(xì)粒度圖像檢索[J]. 王曉飛,李菲菲,陳虬.  電子測(cè)量技術(shù). 2018(22)



本文編號(hào)：3680333