8122

بهبود بازشناسي فنون كشتي آزاد با استفاده از شبكه‌هاي عصبي عميق

كارشناسي

مهندسي كامپيوتر

1401

دكتر محسن سرياني

1401/08/11

مهندسي كامپيوتر

Improving the recognition of freestyle wrestling techniques using deep neural networks

در اين پروژه مجموعه داده‌هايي از 7 فن كشتي آزاد جمع‌آوري شده و با استفاده از روش‌هاي پردازش تصوير و شبكه‌هاي عصبي عميق، بصورت خودكار اين فنون شناسايي و دسته‌بندي مي‌شوند. به دليل تنوع در قد و وزن كشتي‌گيران و عناصر موجود در بيرون و درون محيط تشك كشتي و بزرگنمايي يا تغيير زاويه فيلم‌برداري ، از روش‌هاي يادگيري ماشين و شبكه‌هاي عصبي عميق براي شناسايي و دسته‌بندي فنون كشتي آزاد از ابتداي فن تا انتهاي فن استفاده شده‌است. در اين پروژه به دليل در دسترس نبودن مجموعه داده‌هاي دسته‌بندي شده فنون كشتي آزاد، مجموعه داده‌اي از 7 نوع فن كشتي آزاد جمع‌آوري شد. اين 7 فن از فنون كشتي آزاد عبارت‌اند از: 1- كمر، 2- يك‌خم، 3- بار انداز، 4- پيچ پيچك، 5- تندر، 6- فتيله پيچ و 7- فيتو. براي پيش‌پردازش مجموعه داده‌هاي جمع‌آوري شده، جداسازي پيش‌زمينه از پس‌زمينه و جداسازي كشتي‌گيران از صحنه از FAIR Detectron2 با معماري Faster R-CNN FPN استفاده شده‌است. سپس مجموعه داده‌هاي پيش‌پردازش شده، با معماري CNN-RNN دسته‌بندي مي‌شوند. لايه CNN با Efficient-Net پياده‌سازي شده‌است و وظيفه استخراج ويژگي‌هاي هر ويديو را دارد. لايه RNN با LSTM پياده‌سازي شده‌است و وظيفه يادگيري سري از ويژگي‌هاي هر ويديو را دارد. در انتها لايه Dense براي دسته‌بندي قرار داده شده‌است. دقت بازشناسي فنون كشتي آزاد در بهترين حالت 97 درصد است.

دسته‌بندي , يادگيري انتقالي , كشتي آزاد , شبكه‌هاي عصبي عميق , Classification , Free Style Wrestling , Transfer Learning , DNN , CNN , RNN , CNN-RNN , Mask R-CNN , Detectron2 , EfficientNet , LSTM