使用机器学习一个动作识别算法对短跑运动员

文摘

现代科学技术的进步极大地促进了体育科学的进步。先进的技术方法已经广泛应用于运动训练,不仅提高了科学训练水平也促进了体育科技的持续增长和竞争的结果。随着体育科学的发展和体育实践的逐步深化,科学的训练方法和监测方法的使用改善了运动训练和运动员的性能的影响。本文以冲刺为研究问题,构建基于机器学习的图像短跑运动员的行为识别。针对传统的缺点dual-stream卷积神经网络处理长期的视频信息,该time-segmented dual-stream网络,基于稀疏采样,用于更好地表达长期运动的特点。首先,连续视频帧数据分为多个部分,包含用户操作和短序列数据是由随机抽样的每段视频帧序列。其次,是应用于dual-stream网络特征提取。光流影像提取参与dual-stream网络使用Lucas-Kanade算法实现的系统。摘要系统已经在实际场景中测试,结果表明,该系统设计满足预期要求的短跑运动员。

1。介绍

科学合理的运动训练(1- - - - - -3)运动训练模式是基于功能的反馈信息监控指标和技术指标控制运动训练的强度。目前,主要应用程序监控运动训练从技术的角度是体育视频分析系统(4- - - - - -7]。然而,运动视频分析系统仍有严重的缺点,主要是由于不能及时的反馈和复杂的操作。测试数据可能只能获得一个或两个月或三个或四个月后的图像。因此,不能实现实时监测得到的数据不具有实际指导价值。快速反馈的运动学研究的瓶颈在于数据收集和处理的方法。传统的分析方法是手动解释人体的关节。工作量是巨大的,严重影响反馈的速度。此外,人工识别操作很无聊,经常受到错误经历疲劳和各种操作以及可重复性差。运动视频分析系统的操作也相对复杂,而且需要一定的基本知识和严格的训练来操作它。对于忙碌的教练,可操作性很差。

为了解决缓慢的信息反馈的问题和糟糕的体育视频分析系统的可操作性,本文以冲刺为研究问题,使用计算机作为工具,并采用文献和专家访谈考虑测量,软件工程建模的运动(8- - - - - -10),和人体结构。仿真和数学建模等研究方法将视频转换成趋于稳定数字图像,并自动识别人体的接合点。通常,这是通过提取运动人体的轮廓线,分裂运动阶段,确定规模的长度,跟踪区域,确定联合点,执行特殊的判断,和处理的情况。最后,电脑应用程序“人体自动识别软件系统联合在sprint (11,12生成]”。计算机自动识别人体关节运动点在sprint的形象,所以,运动视频分析系统可以准确、及时反馈运动信息具有良好的可操作性。

使用运动识别技术的方法来分析短跑运动员的技术动作在锻炼提高训练的质量逐渐吸引了人们的注意力。通过识别运动视频在训练过程中,可以抓住人们的运动状态,和计算机分析和识别是同时使用。更直观地反映得到的相关参数的标准化程度的运动员的训练动作,帮助教练和运动员技术动作进行分析,发现问题,从而提高运动员的质量培训。

本文中的系统采用客户机/服务器架构设计。客户端数据采集模块获取并显示实时视频并将其传输到服务器同步。服务器接收到数据后,它执行动作识别和反馈识别结果。客户端和服务器使用多线程技术进行数据同步。本文的主要贡献如下:(1)针对传统的缺点dual-stream卷积神经网络在处理长期的视频信息,该time-segmented dual-stream网络基于稀疏采样用于本文能更好地表达长期运动的特点。首先,连续视频帧数据分为多个部分,包含用户操作和短序列数据是由随机抽样的每段视频帧序列,然后应用于dual-stream网络特征提取。(2)本文使用Lucas-Kanade算法提取光流图像,因为它包含了目标的运动和时间信息,可以有效地代表像素的运动在连续帧图像的不同区域。(3)提出了各种各样的数据增强方法和网络pretraining策略来缓解网络训练过程中的过度拟合的风险。(4)分析的特征融合方法多个dual-stream网络,网络融合在卷积层采用三维卷积和池操作用于执行功能聚合操作,这样网络可以更有效地表达行为的时空特征。因此,它保证了较高的识别精度。

剩下的纸是组织如下。节2,提供了背景资料。节3,我们提出的研究方法解释工作。在本部分中,首先,我们将讨论系统设计之后,视频动作识别。节4,我们提供全面的实验结果。最后,我们得出结论本文未来的研究方向5。

2。背景

近年来,在运动领域的识别中,商业机构和科研院所取得了非常重要的结果。根据分类的数据采集方法,常用的动作识别方法可以分为基于可穿戴设备和视觉两种类型。在乒乓球等体育运动,因为它是一个球游戏由手臂运动,长期使用可穿戴设备运动监测和分析将不会有利于运动员的训练效果。因此,基于机器视觉的运动识别方法(9是更适合这个应用程序的系统开发。

的重要来源之一,人类感知外部环境的视觉信息。人类行为识别涉及机器视觉等许多领域,特征选择和模式识别。这是一项具有挑战性的运动视觉分析先进的处理方法(10]。近年来,基于视频的动作识别技术具有重要的研究意义在科学研究和实际应用。尽管全世界研究人员的努力,尽管使用机器学习模型和分析人类行为已经取得了很大的进步,同时他们也意识到行为识别技术的发展仍然是艰巨的,有许多迫切需要解决的问题,主要包括以下:(1)视频环境的背景因素的影响,往往很难避免一个更复杂的背景视频中。杂乱的背景因素会有不同程度的影响在这个问题上的行动。因此,它更难以识别和分析在这种情况下采取行动。此外,照明等因素变化的视频,是否有阻塞,视角也会影响的偏差的特性表现不同程度的行为。特征提取和分析的行为将变得更加复杂,导致最终的识别结果难以达到预期的精度。(2)数据和类之间的差异:不同的科目做同样的行为,仍有一定的姿势和规模的差异。因此,对于更复杂的操作,数据差异类动作识别的难度。为了有效改善行为动作识别的影响,有必要充分考虑数据变化和类之间的影响。(3)区别视频操作数据库和真正的视频数据:目前,为了方便有效的培训和效果验证的各种研究方法,大部分的研究是基于一些公共视频进行操作数据库。然而,相比之下,各种类型的视频数据收集在现实生活中,视频大小,质量,和其他方面是不同的,缺乏丰富的变化。

近年来,社区的研究已经投入很多热情探索解决上述问题。随着机器视觉技术的快速发展,识别和分析人类活动已经从一个开创性的人工方法表示基于深度学习方法的研究领域。它已经能够从数以百万计的视频和适用于几乎所有日常活动先进的解决方案。看视频的研发行为和动作识别算法(11]近年来,它可以分为两类根据提取的行为和行动的本质特性,即。学习方法基于浅基于深度学习的特点和方法。

此外,由于卷积神经网络(13- - - - - -16)只有一个好的表达图像的二维特性,很难满足时间信息的提取视频中行动。有效结合前一时刻的功能,以确保网络能够理解计时信息。因为视频的行为可以被视为一组连续的和相关的图像序列,CNN (dual-stream网络模型框架17- - - - - -19结合LSTM生产。主要目的是使用卷积神经网络提取视频帧图像的空间特征,捕捉时机行动通过RNN网络之间的信息,并结合时间和空间信息(12认识到视频的行为。此外,人体的运动可以被描述为骨骼关节的运动点。因此,dual-stream RNN用于人类骨骼的空间位置和时间动态特性联合点建模。RNN-based方法可以直接通过视频帧作为网络的输入,实现端到端的动作识别。

3所示。方法

在本部分中,首先,我们讨论系统设计部分3所示。1紧随其后的是视频动作识别的运动员(短跑运动员在这种情况下)的部分3所示。2。最后,我们讨论我们的行动的网络模型识别短跑运动员的部分3所示。3。

3.1。系统设计

我们的系统的设计基于客户机/服务器(C / S)体系结构。客户端和服务器通过局域网连接,套接字是用来实现前后两端之间的数据通信。系统分配算法的数据计算和处理服务器来完成,和客户端主要是用来显示和控制的载体。这种设计方法可以降低客户的存储和计算能力的开销,有效地提高了系统的实时性能。此外,服务器multiclient共享算法的设计理念有助于系统集群设计的扩张。系统的总体结构如图1。

在这个图中,客户端程序主要负责显示和操作视频数据的集合。实时视频流捕获的视频数据采集模块(如图2)。数据收发器模块传送实时视频数据到服务器并接收结果识别数据的处理在服务器端。显示模块负责展示运动员的实时训练动作,视频,和相应的识别结果。服务器端程序主要负责识别乒乓球接收的视频数据和服务的行动和同步识别结果。在服务器端数据收发器模块接收采集视频数据,并同步结果给客户端。动作识别模块负责视频数据的特征提取和动作识别。同时,在服务器端显示模块实时同步服务器的工作状态。

系统的详细工作流程如图3。打开一个线程通过系统客户端监控用户控制指令和解析。当收到指令开始训练,调用web相机捕捉实时视频流包含接收和服务于球的行为。客户的数据收发模块发送指令和数据同步到服务器,通知接收的视频数据,并调用识别模块进行处理和识别。同时,客户端程序还将监控和显示培训视频实时捕捉到相机。在用户培训,客户端使用这个线程来接收用户指令。如果线程接收到一个指令停止培训结束前,客户端将停止视频的采集和同步消息到服务器。后系统的数据收发器模块服务器接收视频数据通过客户端,它调用操作的算法程序识别模块来处理数据,最后将识别结果反馈给客户端。与此同时,服务器端显示界面将实时监控服务器的运行状态。客户端数据收发器模块总是监视服务器端口和等待接收服务器识别结果反馈的,调用数据库中的培训模式进行比较和识别结果,并显示实时的完成培训计划界面,结果将显示出来。 It is stored in the database and used as a reference basis for coaches to guide and make training plans in the future.

3.2。视频动作识别

在本部分中,首先,我们讨论了dual-stream卷积神经网络(CNN)其次是光流特征提取短跑运动员的动作视频数据。

3.2.1之上。Dual-Stream卷积神经网络

近年来,大部分的研究工作一直受到dual-stream卷积神经网络相结合的时空信息从RGB图像和光学流图像中提取的视频和提取两种类型的功能通过两个单独的卷积神经网络。我们需要识别和生成最终的预测结果。视频信息包含两个部分:空间信息和时间信息。与静态图像相比,视频提供了额外的运动信息的时间序列分量表示时间动作识别。空间信息的视频每一帧图像的位置,代表了空间信息,如目标和现场视频;视频帧之间的时间信息是指改变并连续视频帧之间的目标运动信息,包括相机的运动或运动目标对象的信息,等等。实现视频的想法行动识别主要包括两类,即提取视频时空特性的方法对视频识别和再培训的方法通过使用人类骨骼节点信息作为网络输入数据。本文系统使用普通相机设备收集运动视频识别,所以dual-stream卷积神经网络主要用于提取视频时空特性进行动作识别和分析。

如图4,dual-stream卷积神经网络由一个卷积网络表达空间流和时间流的二维信息,用于处理视频数据的时空信息。这种dual-stream网络设计架构来自生物视觉。spatial-stream网络需要一个单帧视频的RGB图像作为输入。空间流和时间流的解耦网络还使图像数据的使用在大型图像数据集。pretraining spatial-stream网络用于识别相关的表面特征的行动和意识到空间域的视频特征描述。空间流网络是一样的常见的静态图像识别网络,在时间流网络输入多帧堆叠光学图像流入网络培训。它用于学习的时间特性中包含的行动,如目标的运动和变形。特性的描述视频动作在时域,我们使用多任务训练的方法,它提供了融合两个softmax输出层。的输出将softmax层识别的概率是行动的范畴。提供两个softmax输出相当于正规化的过程。 There are two main fusion methods: averaging and retraining an SVM classifier using the softmax layer for recognition. In short, the processing method of decoupling spatiotemporal features of dual-stream convolutional neural network better describes the movement information of sprinters.

实际上dual-stream卷积神经网络利用dual-stream通路在人类大脑的视觉信息处理系统,它可以有效地捕获目标的局部运动信息的视频和改善的卷积神经网络解决行动识别问题的能力。然而,也有一些缺点。首先,因为操作的预测的平均预测采样获得的视频视频剪辑,中长期时间信息仍缺乏学习的特性。其次,由于训练数据样本是随机抽样得到的视频剪辑,可能有不正确的标签分配的问题对于每一个类别的数据。最后,使用dual-stream卷积神经网络需要预先计算的光学流图像并保存作为输入的一个网络。网络培训需要单独的单帧RGB图像和多帧叠加光学流图像,所以网络是难以实现端到端的培训。

3.2.2。光流特征提取短跑运动员的动作视频数据

光流代表了速度矢量对象的视频,包括瞬时运动方向和速度的像素信息。它可以用来代表视频的短跑运动员的运动信息。光流特征结合图像的静态信息和动态信息和性能是一个很好的特性来描述短跑运动员的行为。本节将详细描述光流特征提取算法的设计思想引入客户实时视频数据采集模块。在数据同步到服务器通过网络通信,光流图像提取为短跑运动员动作特征提取和数据处理过程。数据预处理由数据增强技术可以有效地避免过度拟合的风险在网络训练由于小小的行动数据集。

物体运动的本质是之间的相对位置运动对象和场景。当观察者观察移动物体时,现场的移动物体将形成一个不断变化的图像在眼睛的视网膜上,似乎通过眼睛的视网膜流;因此,它被称为光流。光流表示图像像素的瞬时速度场,包括位置、瞬时速度、方向,和其他的信息移动目标的某些像素的视频。光流法来提取前景目标的运动信息的视频,和运动前景可以独立监控没有预先知道场景的任何信息。光流计算主要是为了确定相同的像素的变化在两个相邻帧估计像素的时域变化在不同地区的两帧图像和像素之间的相关性。接下来,移动目标在一个图像的向量场是获得实现图像中对象的运动估计。

最著名的两个方法计算光流Hom-Schunck算法和Lucas-Kanade算法。Hom-Schunck算法是基于事实对象的灰度图像保持不变在很短的时间间隔,假设某个特定街区的速度矢量场的变化缓慢,和全球平滑约束的光流场。然而,由于该算法是基于平滑的假设,可能有大错误矢量光流估计在图像的边缘区域或闭塞地区的存在。Lucas-Kanade算法使用当地的平滑约束,即。,by assuming that all pixels in a small neighborhood have similar motions, and then realizes the estimation of optical flow. Compared with the previous algorithm, the Lucas–Kanade algorithm is simpler to implement and has lower computational complexity. Therefore, the system uses the Lucas–Kanade algorithm for the calculation and estimation of optical flow. The realization of this algorithm first needs to satisfy several assumptions:(1)外面有一个恒定的光强度,以避免外部光线的强度造成的变化图像中像素值相同的点。(2)相邻帧图像之间的时间足够短,这样像素帧之间的差别可以忽略在考虑运动变化。(3)移动目标的图像像素执行类似的运动在同一个小区。

假设像素点的亮度 在时间是 ,像素点位置移 在时间 。亮度时t是 。基于上述假设,在同一点像素的亮度是恒定的;因此,

根据假设目标对象的运动时间很短,上述方程可以Taylor-expanded获得以下方程:

忽略高阶项和推导上述公式 ,光流约束公式可以得到如下: 在哪里 , ,和可以直接从图像,计算和(µ, )光流的吗 ,这是一个未知数,光流值不能获得只有通过光流方程。因此,选择Lucas-Kanade算法能解决各种光流约束方程通过附加。该方法基于局部平滑约束;也就是说,假设图像的像素相邻帧之间有小位移和维护在附近近似运动。然后,在附近像素的基本光学流动方程可以解决最小二乘法。

根据Lucas-Kanade算法的假设,所有像素在一个小区域有类似的运动。基于基本的光流方程,可以获得一个超定的方程如下:

光流估计误差被定义为

光流计算公式可以通过最小二乘拟合的方法: 在哪里系数矩阵和吗 是常数项。当是一个满秩矩阵,上述方程的解决方案是什么

从这个的价值 , 可以获得。

3.3。动作识别网络模型

本文使用一个time-segmented卷积神经网络基于稀疏采样策略。其结构如图5。time-segmentation卷积神经网络使用段整个视频和样本稀疏短片段作为网络输入和提取的时间特征光流图像和执行行动的RGB图像的空间特征识别的任务。时间分段卷积神经网络首先将视频分成几个相等的部分包含一个动作,然后随机抽取一个短序列,可以有效地表达整个视频中的运动信息。对于每个采样段,通过dual-stream卷积神经网络进行特征提取。时间流网络捕获视频的时间结构信息和图像的空间外观信息被spatial-stream网络。接下来,生成一个相应的dual-stream网络预测每个短段。最后,一个聚合函数用于引信的特点时间流和空间流网络作为整个视频的识别结果。这个方法可以有效地提取的长期信息整个视频中,哪个更准确和有效的识别方法相比,人口抽样整个视频片段;此外,它不再增加计算成本。在学习过程中,整个视频的价值损失预测是通过迭代更新参数优化计算,实现端到端网络训练过程。

对于一个给定的操作视频帧数据,首先,把它分成视频帧序列的长度相等 ,然后从每个部分随机样本一个短期的视频序列 。网络模型的短期序列 从每个部分作为输入数字,对应下面的方程:

4所示。实验装置和结果

在本节中,我们讨论了实验环境之后,本研究中使用的数据集。此外,我们还讨论模型的训练过程,到目前为止我们已获得初步的模拟。

4.1。实验环境

因为本文中的实验需要深神经网络训练,因此规模大,结构更加复杂,计算规模是巨大的。神经网络训练过程需要使用GPU加速计算。实验环境配置如表所示1。

在我们的实验工作中,数据集是一个100米的短片的项目,共有5000个视频,每个视频操作持续大约2 - 10秒,分辨率是320240年,帧速率是每秒30帧。

4.2。培训

的学习网络参数是通过一个小批梯度下降算法,与批量大小设置为256和动量设置为0.9。梯度下降法在小批量可以加速矩阵和向量的计算和更新的方差参数可以减少获得更稳定的收敛性。使用一个批处理,每次可以减少迭代收敛,同时使收敛的结果更接近梯度下降的影响。对于传统的梯度下降算法,如果实际的目标函数平面部分凹表面,然后将使它指向一个负梯度陡的位置。这种情况在当地的目标函数的最优值将导致收敛速度慢。在这个时候,有必要给梯度势头,以便它能跳出局部最优,继续优化梯度下降的方向,这样网络模型可以更容易地收敛于全局最优。

使用的时间分割dual-stream网络在此系统中,设置空间流卷积神经网络的初始权重的初始重量1和1.5流卷积网络的时间。网络的学习速率训练设置较小:设置的初始值空间卷积神经网络流向0.01每2000迭代调整到十分之一;设置初始值的时间流卷积神经网络0.005;调整到十分之一后,12000年和18000年网络参数的迭代。此外,总耗时的数据训练如下:空间流媒体网络需要大约2小时和流媒体网络大约需要11个小时的时间。

4.3。实验结果

空间的价值流动卷积神经网络设置为0.01和2000次迭代后调整到十分之一。接下来,我们设置的初始值时间流卷积神经网络0.005调整到十分之一,12000年和18000年网络参数的迭代。此外,总耗时的数据训练如下:空间流媒体网络需要大约2小时和流媒体网络大约需要11个小时的时间。

在图6和表2,行动的精度计算冲刺。从这些结果可以看到,独立的空间流和时间流卷积神经网络有效地识别的动作远比dual-stream融合网络模型,并识别精度要低约5%至19%。不同的训练方法,由于操作的小型数据集类别,从头dual-stream网络训练过度拟合的问题。因此,性能是最差的,pretraining spatial-stream网络的交叉模式time-stream网络耗时。由pretraining dual-stream卷积神经网络初始化有更好的识别效果,识别率可以达到94.3%,这也意味着pretraining方法可以有效地减少过度拟合的风险。

数据7和8识别结果显示在不同的帧和不同的输入决议对模型性能的影响。

5。结论

本文以冲刺的形象为研究对象,构造基于机器学习短跑的动作识别。然后,针对传统的缺点dual-stream卷积神经网络处理长期的视频信息,该time-segmented dual-stream网络使用基于稀疏采样,可以更好地表达长期运动的特点。首先,连续视频帧数据分为多个部分,包含用户操作和短序列数据是由随机抽样的每段视频帧序列,然后将其应用于dual-stream网络特征提取。光流影像提取参与dual-stream网络使用Lucas-Kanade算法实现。光流包含目标的移动信息,可以有效地代表像素的运动在连续帧图像的不同区域。由于少量的操作视频数据(测试数据),本文采用大量数据增强方法在数据处理和网络pretraining策略缓解网络训练过程中的过度拟合的风险。摘要系统已经在实际场景中测试,结果表明,该系统设计符合预期的要求。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由江西科技大学哲学社会科学繁荣计划培养项目”研究山地体育城的建设江西省”(批准号FZ18-YB-18)。

引用

1. t . HaugenØ美国西勒。Sandbakk, e . Tønnessen“精英sprint的培训和发展性能:一个集成的文学、科学和最佳实践”体育Medicine-Open,5卷,不。1,硕士论文,2019页。视图:出版商的网站|谷歌学术搜索
2. h .梁”,评价健身运动训练基于自组织神经网络的状态,”神经计算和应用33卷,1-13,2021页。视图:谷歌学术搜索
3. c . m . Fairman m . c . Zourdos e·r·赫尔姆斯和公元前Focht,”一个科学原理改善阻力训练处方锻炼肿瘤,”运动医学卷,47号8,1457 - 1465年,2017页。视图:出版商的网站|谷歌学术搜索
4. a . Lopatiev o . Ivashchenko o . Khudoliy y Pjanylo, s . Chernenko和t . Yermakova“系统性的方法和数学建模在体育教育和体育,“2017人。视图:谷歌学术搜索
5. s . Subhash t . Obafemi-Ajayi d·古德曼·d·温斯迟二世和g·r·Olbricht”使用临床评估指标的预测建模与体育运动有关的脑震荡,”计算情报学报2020年IEEE研讨会系列(1)IEEE,页513 - 520年,堪培拉,澳大利亚,2020年12月。视图:谷歌学术搜索
6. 拉雷多,l . p .康塞普西翁,n . Mamani-Macedo”提议建模的管理人才的招聘和培训在秘鲁体育中心”学报5日巴西技术研讨会,页505 - 513,利马,秘鲁,2021年11月。视图:谷歌学术搜索
7. a . l . Clouthier g·b·罗斯和r·b·格雷厄姆“传感器数据自动识别所需的运动任务使用深层神经网络,”在生物工程和生物技术前沿,7卷,p。473年,2020年。视图:出版商的网站|谷歌学术搜索
8. k . Choroś”,强调在体育视频中提取基于自动的姿势和手势识别,”《亚洲智能信息与数据库系统会议金泽,页619 - 628年,日本,2017年4月。视图:谷歌学术搜索
9. g .托马斯·r·盖德t . b . Moeslund·卡尔和a·希尔顿“计算机视觉运动:目前应用和研究主题,“计算机视觉和图像理解卷。159年,3-18,2017页。视图:出版商的网站|谷歌学术搜索
10. a . Filgueiras e . f .别墅Conde, c . r .大厅”的神经基础-动觉智能、视觉表象运动:一个啤酒元−分析,“脑成像和行为,12卷,不。5,1513 - 1523年,2018页。视图:出版商的网站|谷歌学术搜索
11. 傅y, y”,人类行为识别和预测:一项调查,”2018年,http://arxiv.org/abs/06.11230。视图:谷歌学术搜索
12. p·e·马丁j . Benois-Pineau r . Peteri和j . Morlier”运动动作识别与暹罗时空cnn:应用于乒乓球,”在基于内容的多媒体检索2018年国际研讨会论文集(CBMI)拉罗谢尔,页1 - 6,IEEE,法国,2018年9月。视图:谷歌学术搜索
13. h·c·施”的调查content-aware体育视频分析,“IEEE电路和系统视频技术,28卷,不。5,1212 - 1231年,2017页。视图:谷歌学术搜索
14. l . i .美国Ziyu”,大学篮球训练教学的应用基于体育视频分析网络多媒体、下”固态技术,卷64,不。1,第181 - 170页,2021。视图:谷歌学术搜索
15. c .宁”的设计和研究运动训练的运动视频图像分析系统”多媒体工具和应用程序2019年,页-出版社。视图:出版商的网站|谷歌学术搜索
16. 李y”,研究体育视频图像分析模糊聚类算法的基础上,“无线通信和移动计算卷,2021篇文章ID 6630130, 2021。视图:出版商的网站|谷歌学术搜索
17. w·蔡b . Liu z魏et al .,“TARDB-Net: triple-attention引导残余密集的高光谱图像分类和BiLSTM网络,”多媒体工具和应用程序卷,80年,第11312 - 11291页,2021年。视图:谷歌学术搜索
18. x x, y, z Li Ning, y秦,和w·蔡”一种改进encoder-decoder网络基于地带池方法应用于农田空置领域的细分,“熵,23卷,不。4 p。435年,2021年。视图:出版商的网站|谷歌学术搜索
19. 王x, x Ning s徐et al .,“co-training回顾研究。”并发性和计算:实践和经验2021年,文章ID e6276。视图:出版商的网站|谷歌学术搜索

版权

版权©2021号江和小陈。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。