文摘

针对这一事实是很困难的对现有算法来确定一个球员的运动在一个精确的方式,提出了一个人工智能(AI)运动模型的基础上,深度学习神经网络指令集架构(ISA)。首先,移动神经网络(MNN)推理引擎是用于创建一个新的AI体育项目方面聪明的实践模型。在这种模式下,运动可以被划分为一系列的分解动作,分别识别和判断的整个运动测量的目的。为了测试其可行性,研究比较了MNN推理引擎与传统推理引擎的算法能力和比较结果通过该算法和传统的在线运动的应用。研究表明,在AI体育项目的内容提出本文的数据集动作识别的结果超过其他推理引擎,以轻质、高性能和可访问性。研究还表明,AI体育项目模型能够适应需求的体育项目,各种各样的主题,提高运动识别细节的准确性。

1。介绍

情报,可持续勘探的实践和服务授权发生在健康生活的场景和运动,即运动人工智能项目(1]。这种大大促进了项目的实现的核心目标运动数字化和中国体育人口的稳定增长,从而成为一个关键的一步的智力运动(2]。COVID-19爆发大流行增加了线下传统体育的困难,促进了家庭体育的发展的背景下,人工智能技术。通过技术沉淀,与在线体育和体育相结合进一步授权通过人工智能技术,因此智能运动或人工智能运动。与智力和运动作为其核心概念,AI运动是复杂的,是由学术活动的过程和结论3,4]。他们的最终目的是创建一个新的,简单,有趣的方式让用户在家锻炼(5]。精心制作的,仅仅需要一个移动电话或few-square-meter AI体育领域。羽毛球而言,用户只需要打开应用,定位手机的竞争在一个适当的角度,并调整phone-subject距离根据应用程序的自动语音提示,直到整个图像的球员注册的识别框架(6]。

AI是体能训练的好帮手,它可以检测数字特征和关联不容易发现通过人类的眼睛和大脑,从而使人工智能运动更多的探索性7,8]。本文与AI智能和集成的羽毛球运动,旨在消除初学者的错误动作更有针对性的方式,提高他们的技能在打羽毛球。首先,移动神经网络(MNN)推理引擎是利用数字化运动,获得实验数据。其次,初步分析了有关数据之间的差异和那些通过传统体育应用。第三,结果表明羽毛球运动员应该提高他们在打羽毛球运动的准确性,全面性,运动协调和合作伙伴合作,使他们的运动近似的职业球员。第四,提供一些建议为AI在体育中的应用。此外,在这项研究中,我们首先定义的主要概念及其理论基础部分2。然后,我们进行了一次讨论人工智能和智能等技术支持运动节3。此外,准确性是公认的,性能却降低了消耗,提高测试效率。此外,人工智能的流量模型的运动节中给出4的纸。节5进行比较分析,我们进行了实验目的。最后,给出本文的结论部分6。

2。核心概念的定义和理论基础

推理预测在云中执行可以尝试移动作为移动计算能力和深度学习正在快速发展,和小规模网络模型变得更加成熟。端侧智能AI算法部署和运行。相比端智能端侧智能低延迟的优势,良好的平衡的数据隐私,和云储蓄(9,10]。

内容是一个轻量级基于深层神经网络推理引擎(款),和加载结束一边款模型。到目前为止,内容已广泛应用在人脸检测中,手势识别,肖像分割,和其他的东西11]。

虽然传统体育是单向的,AI体育项目是一个客户端体育情报系统可以验证演示,系统化的各种动态,和支持技术能力转变。智能运动系统实现终端手机通过深层推理引擎的推理(12]。信息响应和动态修正由识别和姿势和动力学分析,运动跟踪和动态角度,然后,模块化组合的技术能力。目前,系统,它的特点是运动和人工智能技术的有机集成,支持十多种体育行为和数十名的演奏方式,使在线羽毛球更简单。

3所示。技术支持

智能的主要技术思想在AI体育运动结束多神经网络是使用推理机推理和姿势识别。它包括以下几点:(1)测量实时身体轮廓图片和视频,发现14个重要骨点和必要的关节部分如头部、手臂和脚(2)连接的点形成运动图像和分析身体语言,运动角度,和轨迹(3)测量用户的羽毛球动作通过动作和姿态匹配系统和实施动态定时和计数

同时,通过实时监控和分析的标准动作,反应和相互作用来提高用户体验和交互。

在传统的羽毛球训练中,人们可以从现场助理获得及时的指导和支持,如教练,审查员,亲戚和朋友。智能健身项目在AI体育方面,然而,允许人们直接与移动应用交互时的动作。人机交互的能力和认知水平会受到各种因素的影响,包括逻辑推理建模能力,羽毛球场景的复杂性,和体育信息匹配识别计算。一些新的问题和困难出现在远程智能人类运动的学习和执行能力,如人机匹配位置,不足在骨点识别中,错误在联合点识别、二维变形,无关的用户动作,手机震动,噪音和场景。

羽毛球动态效果评价和关键算法设计有利于提高匹配精度动作节点(13),这被认为是人体运动的基石。在提高识别效率的前提下,应采取相应措施减少资源消耗的移动终端,这主要体现在电池和热生成,并改善用户体验。通过这种方式,人力和时间消耗参与移动终端测试将减少。此外,研发和测试的效率应该是提高提供强有力的支持顺利和有效的交互在团队中。

3.1。准确识别

用户的最直接和主要的运动体验智能羽毛球是动态计算的准确性14]。一旦计算误差在动作识别中,体育用户的热情在使用这个应用程序会受到影响,和他们的参与计划会灰心丧气。出于这个原因,计算中应该避免的问题。

智能运动计算的基本原理是整个动作分解成几个分解动作,然后采用不同的流程动作识别和判断15]。的一组操作完成后,所有动态判断的影响。如果它是有效的,计数增加1。否则,将重复的步骤。简而言之,智能的识别和操作动作都是状态机。一个运动动作是离散和抽象N状态机{(0)年代(1),(2)…,(n1)},先后进行了测试。当检测到所有状态机,用户完成操作;然后,1是添加到计算结果。如果某个状态机未被检测到,该系统将提供反馈和重置机器。每个状态机对应一个特定的自动触发条件。以下动态匹配结果可以通过检测获得实时骨骼之间的循环对应点位置变化和当前状态,从而提高骨骼点的稳定性,确保结果的准确性。自从动态识别精度密切相关的动态搭配计算,计算越好搭配效果,识别精度越高。提高羽毛球运动识别的准确性,影响的主要因素的计算运动信息匹配,如骨骼点、状态机,削减和匹配,可以选为点。具体方法如下:(1)选择动作稳定,容易辨认,标志性的骨骼点的状态机。(2)帧速率应该能够覆盖所有羽毛球运动的状态机。骨点的准确性对运动匹配识别有很大的影响。

所示的数字1和2,当一个错误发生在左臂的识别点,直线匹配将得到一个错误的结果。在这种情况下,有必要利用羽毛球用户调整的动态历史信息的动态使用动态匹配算法匹配结果。

3.2。性能消耗减少

受自然条件限制,手机的计算能力和存储空间是有限的。此外,深度学习推理需要巨大的数据消费由于大量复杂的计算工作。深入学习和推理会占用很多资源的移动终端和CPU和内存消耗将显著增加,导致设备过热和电池过度消费。因此,当智能移动设备在移动终端上运行,必须避免性能损失,提高用户体验。

有效地减少整个系统的性能损失,有必要减少损失在每个步骤中,图5所示3。

这些三个阶段执行不同的功能。在逻辑推理,进行格式转换;即流数据信号通过镜头转换成各种流数据信息格式如YUV格式和RGBA格式所需的推理过程(图4)。在推理阶段,输入和输出骨骼点位置计算。推理引擎可以执行一系列操作的输入帧数相关的逻辑推理得出结论。例如,态度识别RGBA数据信息的输入图像转换成骨骼点的位置信息。postreasoning阶段涉及一系列分析有关性能,呈现操作和业务相关的操作,如界面显示和动画效果显示。

上述三个阶段可以优化如下。推理的优化过程可以完成多神经网络推理引擎。流数据在prereasoning阶段可以直接转换成所需的格式,而不需要依靠中间转换。原始数据推理阶段可以直接转化为RGBA格式,从而减少不必要的计算和减轻负担的终端。此外,适当的渲染方法,比如multibackend抽象和混合调度,应该选择平台轴承postinference阶段减少渲染的损失。IOS平台、金属可直接用于呈现增强。

3.3。测试效率改善

AI智能数字化体育(运动是一个大胆的尝试16]。其研发,特别是测试过程,需要大量的投资在时间方面,设备,努力提高各方面的应用。此外,人工智能运动识别的有效检测方法很大程度上受到环境因素的影响,如光源、背景、运动距离,和一个人的形象的大小,把测试的有效检测方法。

以传统的羽毛球测试方法为例。一般来说,检测人必须首先手动记录实时行动之后的真实的人在网站上,使分析网站,如图5。

针对不同品牌的手机这一事实不同驱动程序,操作系统,和具体的性能参数,等等,它是很难考虑到所有的因素时,传统的检测方法。这对测试人员构成巨大挑战,不能保证检测同时均匀性和准确性。具体原因如下(17]:(1)劳动力成本高:一个测试需要几个学生的合作,这是耗时和疲惫。(2)测试环境是相对均匀的:它不能适应复杂和不断变化的环境的路线。(3)很难量化的测试结果。是不可能的性能定量评估模型,计算有效性,匹配的准确度和精密度,资源消耗等。(4)问题的位置是很困难的。postanalysis和在线故障诊断无法应对客户投诉的目标。

传统的羽毛球动作节点测试不能解决这些问题。为此,上海体育科技集团开发了一个AI体育自动测试工具和解决传统测试方法中普遍存在的问题。它实现了快速定位和回归羽毛球节点在线和定量评估模型的计算精度。

自动测试工具的基本处理思想是模拟实际情况通过批量分析的视频集,收集骨骼点数据(图6),完成业务的检测结果,并自动形成测试报告。在图演示了具体的技术方法7。

ISA是一种无监督学习方法与一个两层网络生成模型,该模型可以有效地模拟简单细胞的分级响应模型和复杂细胞接受字段V1地区的人类视觉系统(18]。ISA的最基本的实现方法是使用第一层模型的重量而学习W一个线性变换(L1与FC) (19,20.]。接下来,相同的子空间元素组合在第二层。然后,一个固定的非线性变换V执行(L2池)获得特性不变的阶段变化的反应。

随着最新的人工智能的引入测试工具开发的ISA介绍,劳动力成本显著降低,检测性能大大提高。值得注意的是测试工具的效果与测试样本的数量。更丰富的模型,更好的检测精度。

4所示。人工智能模型流动的运动

模型的流图的图是整个处理后置摄像头的移动终端在IOS,或Android设备前置射击(图8)。

首先,系统获取数据从相机作为输入到SDK。然后,SDK执行以下操作。

之前的内容引擎执行推理,原始输入处理输入数据保证面对推理是使用人工智能模型。结果生成基于关键点的输入图像坐标系统预处理后,和关键点坐标转换为屏幕呈现一样的方向坐标系统来促进呈现。最终的关键流程中显示在用户的屏幕上应用,和前端使用的“画布”呈现。画布的坐标系称为呈现坐标系统。在SDK检测的最后一步,我们把关键指向相同的方向呈现坐标系,然后关键点坐标映射到绘制坐标系统的坐标在同等规模。映射完成后,结果直接呈现到画布上。

5。项目实验和比较分析

比较的内容和算法是由TVM测试的可行性提出人工智能运动多神经网络的推理引擎。

拥有全自动搜索TVM毫升,而内容是半自动的。这是最大的和致命的缺点改进和优化(数字9- - - - - -11)。

5.1。Preinference

5.1.1。加速方案选择

在移动应用程序中,计算速度和明度是需要考虑的主要问题。加速度的库,比如OpenBLAS [21)和特征,不能用于移动应用终端的操作,以减轻负担。因此,NCNN(腾讯,2017),梅斯(小米,2018),和阿纳金(百度,2018)选择手动搜索的方法,不依赖于任何外部库并使用汇编指令实现运营商通过案件。这种方法使得推理引擎轻量级和高效,但个案优化也耗时,难以覆盖所有运营商。

完全自动化的搜索是手动搜索形成鲜明对比。解决问题的典型代表是TVM冗余依赖关系并提供graph-level和操作者的优化模型和后端(22]。因此,具有良好的支持TVM模型和设备的多样性。然而,这是有代价的。运行时库由TVM模型相关。换句话说,当模型需要更新,需要重新生成TVM运行时库,为移动应用程序是不可接受的。内容采用半自动搜索方法与增强通用性和性能。

5.1.2中。计算方案选择

内容运营成本评估机制将算法实现和后端特征到完整的账户,以找到最优解。以下是成本计算公式:

总成本最小化,这是至关重要的选择最快的算法和最有效的后端。卷积是作为一个例子来说明算法的成本。目前有两个实现algorithms-sliding窗口和Winograd最快。各种卷积的配置,选择算法计算最低的成本在一个动态的方式。选择方法如下:(1)如果内核大小是1矩阵乘法,Strassen算法是最合适的。(2)如果内核大小超过1,Winograd招募卷积运算转换成矩阵乘法。从理论上讲,卷积的成本可以通过以下公式表示:

基于公式(2)和(3),可以选择最优输出尺寸最小化成本。所以,卷积的成本评估如下。

计划=滑动窗口:如果k> 1,n= 1,

第二个问题是如何计算和后端成本最小化。就是最好的选择后端每个操作符,以确保全球最低成本:

5.2。Preparation-Execution解耦

在程序的执行过程中,计算通常是伴随着内存请求和释放。对于移动应用程序,内存管理的开销是相当大的。考虑到输入尺寸已经确定,引擎可以执行几乎所有的运营商来满足具体的内存需求。通过这种方式,所需的内存可以分配事先在preinference阶段和重用在执行阶段。原理图所示12。

5.3。内核优化

内核是指经营者的详细实现(23]。优化来自两个主要来源:算法和调度。,choosing the algorithm with the lowest complexity and taking good advantage of hardware resources.

5.3.1。Winograd优化

Winograd-based快速卷积算法已经广泛应用于许多推理框架。比较不同的搜索方法通过三个过程:(a)手动搜索可以通过不断优化调整,这意味着运营商执行个案优化和误差修正。(b)然后,半自动的内容搜索最优行动在高性能计算匹配。(c)最后,自动搜索(TVM)匹配正确的编译器优化行动通过自动过滤。半自动流出的数据搜索的Winograd优化如下: 。 。 。 。

然而,Strassen (O(n3)⟶O(nlog72) 6。 S1 = B12-B22S2 = A11 + A12S3 = A21 + A22S4 = B21-B11S5 = A11 + A22S6 = B11 + B22S7 = A12-A22S8 = B21 + B22S9 = A11-A21S10 = B11 +维生素B12P1 = A11·S1 = A11·B12-A11·B22P2 = S2·B22 = A11·B22 + A12·B22P3 = S3•B11 = A21。·B11 + A22·B11P4 = A22·S4 = A22·B21-A22·B11P5 = S5•S6 =一个•B11 + A11•B22 + A22•B11 + A22•B22P6 = S7•党卫军= A12•B21 + A12•B22-A22•B21-A22•B22P7 = S9•S10 = A11•B11 + A11•B12-A21•B11-A21•B12C₁₁= P₅+ P₄- p₂+ P₆C₁₂= P₁+ P₂C₂₁= P₃+ P₄C₂₂= P₅+ P₁- p₃- p₇

卷积算子和大规模的矩阵乘法优化主要体现在两种经典算法的应用(24,25]。许多推理框架使用Winograd硬编码,即。,the three matrices corresponding to the kernel and input sizes are determined, making the scalability poor in the face of new scenarios. On the contrary, the Winograd generator enables Winograd to adapt to arbitrary kernel and input size.

此外,Strassen多神经网络算法用于优化矩阵乘法。的内容是第一个手机用Strassen推理引擎算法优化大型矩阵乘法。Strassen取代数乘法操作与加法操作。一般来说,处理器执行添加操作速度远远超过乘法操作,造成加速效应。这种加速可以最大化使用递归调用,需要确定递归(表的结束条件1)。

此外,MNN支持主要的移动数据设备和混合调度的功能设置,解决了重复调度造成的麻烦和促进轻量级。

作为显示在图13视频序列的摇摆动作是压缩成一个向量作为输入值。在AI体育项目,ISA的输出模型作为最终的输出向量相结合来提高运动识别的准确性。(1)第一层模型的学习权重的输出线性变换。(2)W第一次和第二次层之间的权重是习得的。重量V第二和第三层输出层是固定的,不需要学习了。

AI正式体育项目是基于ISA。它满足重量W正交矩阵。

从上面的实验(表2多神经网络),它可以得出的结论是,解决问题的冗余,提供graph-level和操作者的优化模型和后端,并提高搜索方法的通用性和性能。此外,ISA的支持指令集结构神经网络使内容更加成熟和AI体育领域的适用。

6。结论

最近,体育研究人员将注意力转移到人工智能,现在已广泛应用于体育管理。有许多挑战在体育运动的应用人工智能项目因为数据的变异的体育赛事,比赛,和教学导致资源供应能力不足的背景下快速更新的移动设备和人工智能技术的发展。

AI体育系统现在支持数十名羽毛球运动。此外,大量的人工智能训练和学习课程开发。通过体育功能的模块化的集成,它有助于扩大其服务在未来体育的各个方面。

AI智能运动技术的出现以来到目前为止,上半身运动如伸直手臂绳和俯卧撑,躯干运动如髋关节桥和深蹲,和全身运动如羽毛球比赛和singles-doubles已先后推出各种与体育运动有关的应用程序。这使在线体育用户可以不受时间和地点的约束和参与人工智能运动在任何时间和地点,从而提高用户的吸引力和效率。

数据可用性

底层的数据结果提出研究中可用的手稿。

信息披露

作者确认手稿的内容没有被发表或投稿。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

两位作者看到了《华尔街日报》的手稿提交批准。

确认

这项工作是由中国国家自然科学基金(没有。11551003)。